Адаптивные к окружению машинно-обученные силовые поля для материалов в экстремальных условиях: полиморфы гафния и диоксида гафния

Почему это важно для будущих материалов

От ядерных реакторов до микросхем смартфонов — многие современные технологии опираются на материалы, которые должны выдерживать огромные давления, невыносимую жару и внезапные удары. Тем не менее моделирование поведения атомов в таких экстремальных условиях шло медленно, что ограничивало нашу способность проектировать более прочные и надежные материалы на компьютере. В этой работе представлен новый подход к созданию быстрых, адаптирующихся машинно-обученных моделей, которые точно отслеживают, как металл гафний и его оксид меняются, плавятся и даже разрушаются в одних из самых суровых условий.

Обучение компьютеров чувствовать атомные силы

В центре этой работы — новый класс «адаптивных к окружению» машинно-обученных силовых полей. Это математические модели, которые подсказывают симуляции, с какой силой атомы толкают и притягивают друг друга. Традиционные квантово-механические методы чрезвычайно точны, но слишком дороги для больших систем или длительных расчётов. Более простые модели быстры, но часто ошибаются, когда температуры, давления или структуры сильно отличаются от условий, для которых они были созданы. Авторы закрывают этот разрыв, разработав силовые поля, способные подстраиваться под разные локальные атомные окружения, сохраняя точность квантового уровня и оставаясь достаточно быстрыми для крупномасштабной молекулярной динамики.

Учет множества типов атомных окружений

Для этого команда использует компактные числовые отпечатки — так называемые корректные ортогональные дескрипторы, описывающие расположение соседних атомов и сложные взаимодействия многих тел. Затем они группируют похожие атомные окружения в кластеры и позволяют силовому полю плавно менять поведение в зависимости от того, какому кластеру наиболее близко конкретное окружение атома. Этот шаг «адаптации к окружению» значительно повышает гибкость модели без большого увеличения вычислительных затрат. Параллельно авторы формируют разнообразный обучающий набор снимков атомных конфигураций, используя удачную комбинацию латинского гиперквадратного отбора и монте-карловского «тряски», что системно исследует разные плотности, искажения и фазы без необходимости запускать дорогие квантово-молекулярные расчёты для каждой из них.

Испытания на гафнии и диоксиде гафния

Гафний и его диоксид — отличная испытательная платформа: они важны для регулировочных стержней в ядерной технике, сверхвысокотемпературной керамики и передовой электроники, и проходят несколько твёрдых фаз прежде, чем расплавиться. Новые модели точно воспроизводят, как кристаллическая структура гафния меняется под давлением (от обычной гексагональной формы к более плотным структурам) и как он переходит между твердыми фазами при нагреве и последующем плавлении. Для диоксида гафния силовые поля корректно описывают последовательность фазовых переходов — от моноклинной основной фазы к тетрагональной, затем к кубической и в конце к жидкой — при температурах, соответствующих экспериментальным данным и квантовым расчётам. Они также воспроизводят тонкие вибрационные свойства (дисперсии фононов), которые сигнализируют о механической устойчивости кристаллической структуры.

Следуя за атомами при ударе и дальше

Одной из наиболее впечатляющих демонстраций является область ударной физики, где материалы внезапно сжимаются при ударе до экстремальных давлений и температур. С помощью своих машинно-обученных силовых полей авторы вычисляют шоковую гугониоту (Hugoniot) гафния — кривую, связывающую давление, плотность и энергию вдоль шоковых траекторий — до примерно одного миллиона градусов и триллиона паскалей. Результаты тесно согласуются как с лабораторными шоковыми измерениями, так и с высокоточным квантовым моделированием. В крупномасштабных симуляциях ударной волны, проходящей через гафний, модель фиксирует образование резкого фронта сжатия, последующее разрежение, рост мелких пустот и финальное спалловое разрушение, даже несмотря на то, что такие условия значительно выходят за пределы данных, использованных при обучении модели.

Взгляд в будущее более интеллектуального проектирования материалов

В целом исследование показывает, что тщательно спроектированные адаптивные к окружению машинно-обученные силовые поля способны надежно сопровождать атомы по огромному ландшафту структур, температур и давлений, не жертвуя скоростью. Для гафния и диоксида гафния они с высокой точностью воспроизводят известные фазовые диаграммы, вибрационные характеристики, плавление и отклик на шоки, открывая путь к рутинным симуляциям устройств и компонентов, работающих в экстремальных условиях. В более широком плане тот же подход можно применить к другим сложным материалам, помогая исследователям на компьютере изучать новые сплавы, керамику и функциональные оксиды до их изготовления в лаборатории.

Цитирование: Sema, D., Nguyen, N.C., Wyant, S. et al. Environment-adaptive machine-learned force fields for materials under extreme conditions: hafnium and hafnium dioxide polymorphs. npj Comput Mater 12, 117 (2026). https://doi.org/10.1038/s41524-026-01984-4

Ключевые слова: машинно-обученные межатомные потенциалы, гафний, диоксид гафния, экстремальные условия, молекулярная динамика