Sztuczna inteligencja umożliwiająca efektywne statystycznie oszacowanie funkcji partycji w materiałach z zaburzeniami

Dlaczego drobne wady w nieuporządkowanych materiałach mają znaczenie

Wiele obiecujących dziś materiałów — od paliw jądrowych po wysokowydajne stopy — nie jest idealnie uporządkowanymi krystalami, lecz chemicznymi „łata‑mi”, w których różne atomy są dokładnie wymieszane. W tych nieuporządkowanych strukturach drobne brakujące atomy i inne defekty decydują o tym, jak ciepło, prąd czy uszkodzenia spowodowane promieniowaniem przemieszczają się przez materiał. Artykuł przedstawia PULSE, nowe narzędzie sztucznej inteligencji, które potrafi przewidywać zachowanie takich defektów w złożonych, nieuporządkowanych materiałach znacznie wydajniej niż tradycyjne symulacje komputerowe.

Problem z liczeniem niemal nielicznych

W materiałach wieloskładnikowych, takich jak tlenki uranu‑plutonu czy stopy o wysokiej entropii, atomy mogą zajmować miejsca sieci w ogromnej liczbie kombinacji. Każde odrębne ułożenie, czyli konfiguracja, może nieznacznie zmieniać łatwość tworzenia się i przemieszczania defektów. Aby przewidzieć właściwości makroskopowe, naukowcy muszą w zasadzie rozważyć wszystkie te możliwości, co matematycznie opisuje wielkość zwana funkcją partycji. Klasyczne podejścia albo upraszczają nieuporządkowanie, używając kilku starannie dobranych struktur modelowych, albo próbkują wiele konfiguracji metodą Monte Carlo. Pierwsza strategia może przeoczyć istotne układy; druga jest często tak kosztowna obliczeniowo, że staje się niepraktyczna dla realistycznych układów.

Samouczący się próbnik AI

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) stawia czoła temu wyzwaniu, ucząc się samodzielnie eksplorować przestrzeń konfiguracji. Zbudowany jest wokół odwrotnego wariacyjnego autoenkodera, rodzaju sieci neuronowej, która od prostych losowych wejść przekształca je w realistyczne konfiguracje atomowe. Co kluczowe, model ten nie wymaga wstępnie skompilowanej bazy przykładów. Zamiast tego generuje kandydackie ułożenia, przekazuje je do kalkulatora atomistycznego w celu otrzymania ich energii, a następnie dostraja swoje parametry wewnętrzne, aby korzystne próbki stawały się bardziej prawdopodobne. Zamknięta pętla pozwala AI skoncentrować uwagę na konfiguracjach, które mają największe znaczenie dla funkcji partycji, szczególnie na tych dominujących przy danej temperaturze.

Testowanie PULSE na paliwie jądrowym

Aby wykazać możliwości metody, autorzy zastosowali PULSE do tlenku uranu‑plutonu, istotnego materiału paliwowego. Skoncentrowali się na defektach Schottky’ego — grupach brakujących atomów, które silnie wpływają na reakcję paliwa na wysoką temperaturę i promieniowanie. Najpierw przetestowali metodę na stosunkowo małych lokalnych środowiskach, gdzie funkcję partycji można jeszcze obliczyć dokładnie metodą siłową. Oszacowania PULSE tej wielkości oraz wynikające z nich stężenia defektów ściśle odpowiadają wynikom dokładnym, przy wykonywaniu z wielokrotnie mniejszą liczbą obliczeń energii niż przy skanowaniu całej bazy danych. W porównaniu z powszechnie używanymi „specjalnymi strukturami quasi‑losowymi” PULSE osiąga podobną lub lepszą dokładność, jednocześnie dając wyraźny wbudowany miernik zbieżności i znacznie niższe koszty obliczeniowe w wysokich temperaturach.

Co AI ujawnia o lokalnym otoczeniu

Ponieważ PULSE jawnie generuje i ocenia otoczenia atomowe wokół defektu, można go użyć do badania, jak daleko sięga wpływ defektu. Poprzez systematyczne losowanie warstw atomów coraz dalej od defektu, autorzy wykazują, że w tym tlenkowym paliwie jedynie kilka powłok sąsiadujących atomów znacząco wpływa na energetykę defektu, a istotny zasięg maleje wraz ze wzrostem temperatury. Metoda pokazuje również, jak stężenia defektów zmieniają się wraz z zawartością plutonu: gdy materiał staje się bogatszy w pluton, tworzenie się defektów staje się na ogół łatwiejsze, prowadząc do wyższych gęstości defektów — szczególnie w niższych temperaturach, gdzie różnice energetyczne odgrywają większą rolę.

Dlaczego to ma znaczenie dla projektowania przyszłych materiałów

Dla osoby spoza specjalności główne przesłanie jest takie, że PULSE oferuje szybki, elastyczny sposób, w jaki AI może „zliczać” i priorytetyzować najważniejsze ułożenia atomowe w wysoce nieuporządkowanych materiałach. Zamiast drobiazgowo symulować każdą możliwą konfigurację, metoda uczy się w locie, które lokalne wzorce kontrolują tworzenie defektów, a następnie wykorzystuje tę wiedzę do oszacowania stężeń defektów i powiązanych właściwości. Choć zaprezentowano ją na przykładzie paliwa jądrowego, ta sama rama może być zastosowana do szerokiego spektrum złożonych materiałów, takich jak stopy o wysokiej entropii czy mieszane tlenki do magazynowania energii i katalizy. W ten sposób PULSE może pomóc badaczom szybko badać, jak mikroskopijne nieuporządkowanie kształtuje wydajność makroskopową, kierując projektowaniem bezpieczniejszych i bardziej wydajnych materiałów.

Cytowanie: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

Słowa kluczowe: materiały nieuporządkowane, uczenie maszynowe, paliwo jądrowe, defekty punktowe, modele generatywne