aLLoyM: большая языковая модель для предсказания фазовых диаграмм сплавов

Обучение ИИ «читать» карты металлов

Когда инженеры разрабатывают новые металлы для реактивных двигателей, аккумуляторов или ядерных реакторов, они опираются на специальные карты — фазовые диаграммы — которые показывают, какие смеси элементов будут твёрдыми, жидкими или чем‑то промежуточным при разных температурах. Создавать такие карты в лаборатории медленно и дорого. В этом исследовании представлена специализированная модель искусственного интеллекта, aLLoyM, которая учится читать и даже «рисовать» фазовые диаграммы, что потенциально может ускорить поиск более прочных, эффективных и пригодных материалов.

Почему фазовые карты важны для повседневных технологий

Фазовые диаграммы похожи на метеорологические карты, но для металлов. Вместо прогноза дождя или солнца они показывают, где смеси элементов будут плавиться, твердеть или образовывать разные внутренние структуры при изменении условий. Эти детали во многом определяют, насколько безопасен мост, как долго выдержит нагрев лопатка турбины или насколько стабилен аккумулятор со временем. Но воспроизвести все возможные сочетания элементов и температур экспериментально практически невозможно: смесей слишком много, и каждую нужно тщательно нагревать, охлаждать и анализировать. Именно в этом разрыве между тем, что нам нужно знать, и тем, что можно измерить, ИИ может внести реальный вклад.

Кормление данных в специализированную языковую модель

Вместо создания ещё одной узкой математической модели исследователи дообучили большую языковую модель — тип ИИ, обычно используемый для текста — на «языке» сплавов. Они воспользовались открытой базой данных компьютерно рассчитанных фазовых диаграмм и преобразовали 837 475 точек данных в пары «вопрос–ответ». Типичный вопрос мог звучать так: «Серебро 46%, алюминий 54% при 900 К: какие фазы появляются?», а ответ перечислял присутствующие фазы. С помощью техники низкоранговой адаптации (low-rank adaptation) они настроили лишь небольшую часть базовой модели Mistral, чтобы она могла одновременно решать три типа задач: предсказывать полные фазовые подробности, называть, какие фазы появляются, или предлагать состав сплава и температуру для получения желаемой фазы.

Проверка, действительно ли ИИ понимает

Чтобы выяснить, действительно ли aLLoyM усвоил правила фазовых диаграмм, команда тестировала модель на задачах с множественным выбором и в свободной (краткой) форме ответа. Для задач с вариантами ответа модель должна была выбрать правильный ответ из четырёх вариантов. Базовая модель «из коробки» работала лишь чуть лучше случайного угадывания. После дообучения точность aLLoyM резко выросла по всем задачам и для более простых двухкомпонентных сплавов, и для более сложных трёхкомпонентных систем. В более требовательном формате короткого ответа, где модель должна была сама генерировать текст, она всё равно выдавала названия фаз, которые сильно совпадали с правильными, даже для сплавов, не встречавшихся в обучающей выборке. Лучшие результаты наблюдались при экстраполяции от хорошо изученных систем; точность падала для смесей со особенно сложным поведением в средней области составов — так же, как и для человеческих экспертов эти регионы оказываются проблемными.

Воображая новые материалы за пределами современных экспериментов

После обучения aLLoyM можно попросить «нарисовать» фазовые диаграммы для металлов, которые трудно или невозможно исследовать напрямую, например для смесей с радиоактивными или крайне короткоживущими элементами. Модель, например, оценила точки плавления и типы структур для смесей актиния и урана и предложила трёхкомпонентные диаграммы для систем, которые ещё не измерялись. Некоторые предсказания были впечатляюще близки к известным значениям; другие содержали ошибки, например неверную идентификацию наиболее стабильной кристаллической структуры. Исследователи также заметили, что модель придумывает новые метки фаз, например содержащие слово «WOLF», и разработали способы оценить надёжность таких неожиданностей, анализируя внутреннюю уверенность модели и изменения ответов при разных настройках семплирования.

Что это может значить для будущих материалов

Для неспециалиста главный вывод в том, что aLLoyM демонстрирует: текстово‑ориентированную модель ИИ можно обучить рассуждать о поведении металлов почти так же, как опытный материаловед, но гораздо быстрее. Это пока не полная замена тщательных экспериментов или детализированных физико‑ориентированных расчётов — модель по-прежнему может делать уверенные ошибки. Но по мере роста объёма обучающих данных и улучшения оценок неопределённости и методов подсказок такие модели, как aLLoyM, могут помочь исследователям отбирать рецептуры сплавов, которые стоит испытывать в лаборатории. Такое руководство может сократить длительный и дорогой путь от идеи нового материала до реального продукта, влияя на технологии — от более чистых электростанций до более долговечной потребительской электроники.

Цитирование: Oikawa, Y., Deffrennes, G., Shimayoshi, R. et al. aLLoyM: a large language model for alloy phase diagram prediction. npj Comput Mater 12, 97 (2026). https://doi.org/10.1038/s41524-026-01966-6

Ключевые слова: фазовые диаграммы сплавов, открытие материалов, большие языковые модели, вычислительная наука о материалах, термодинамическое моделирование