Общая оптимизационная структура для отображения локальных сетей переходных состояний

Почему это важно для будущих материалов

От более эффективных батарей до сверхэкономичной компьютерной памяти — многие современные технологии зависят от того, как атомы и крошечные магнитные завихрения перестраиваются. Эти перестановки следуют скрытым «дорогам» по энергетическому ландшафту, который напрямую увидеть нельзя. В этой работе предлагается новая вычислительная структура, названная MOTO, которая может автоматически прокладывать эти дороги вокруг заданного состояния материала. Благодаря этому исследователи получают представление о том, как структуры формируются, перемещаются и исчезают — знания, которые могут направлять разработку катализаторов, магнитных устройств и других передовых материалов.

Видеть ландшафт под веществом

На микроскопическом уровне поведение материала определяется энергетическим ландшафтом, полным впадин и перевалов. Впадины соответствуют устойчивым конфигурациям атомов или спинов, а самые низкие перевалы между впадинами — это переходные состояния, которые контролируют переход системы из одной конфигурации в другую. Существующие инструменты либо требуют заранее указать начальную и конечную впадину, либо выполняют локальный поиск от одной точки и находят лишь несколько ближайших перевалов. Это затрудняет построение полной картины возможных переходов в сложных системах, таких как каталитические поверхности или топологические магнитные текстуры.

Трехэтапный способ исследования близлежащих путей

Авторы предлагают MOTO — трехслойную оптимизационную структуру — которая систематически отображает локальную сеть переходов вокруг любой выбранной впадины. На первом уровне «мультизадачный исследователь» генерирует множество небольших целевых возмущений системы, сформированных так, чтобы соблюдать базовые физические ограничения (например, атомы не могут перекрываться, а определенные топологические свойства сохраняются). Эти возмущения выбираются максимально разнообразными, одновременно облегчая последующую идентификацию ключевого направления, в котором поверхность энергии наиболее плавно возрастает к ближайшему перевалу.

Восхождение к перевалам и подтверждение связей

На втором уровне MOTO концентрируется на каждом перспективном начальном положении и оценивает направление наименьшего сопротивления при выходе из впадины — самое мягкое направление в гору на энергетическом ландшафте. Вместо того чтобы строить и хранить огромную матрицу, описывающую полную кривизну ландшафта, метод использует компактные «произведения гессиана на вектор», которые можно эффективно вычислять на современных графических процессорах. Этот шаг позволяет методу непосредственно подниматься к седловой точке с одним направлением спуска, поддерживая при этом низкое потребление памяти и время выполнения, даже для систем с миллионами взаимодействующих спинов. На третьем уровне MOTO аккуратно спускает систему по обе стороны каждого найденного седла, выясняя, какие впадины соединены этим перевалом, и добавляя их в растущую карту близлежащих состояний и маршрутов.

От магнитных вихрей до движущихся атомов

Чтобы продемонстрировать возможности MOTO, авторы сначала применяют его к подробной модели тонкой магнитной пленки, содержащей скермионы — нанометровые вихревые структуры спинов, перспективные для хранения данных. Начиная с одного скермиона или антисвермиона, MOTO выявляет богатую сеть близлежащих переходных состояний, включающих частичные вихревые узоры, называемые меронами и антимеронами, у краев системы. Эти процессы обеспечивают дублирование скермионов, их аннигиляцию и образование «хиральных капель», в сумме давая до 32 различных путей между сложными многоскермионными состояниями. Во втором тесте та же структура — без изменения основной логики — применяется к классической задаче диффузии на поверхности: кластера из семи атомов никеля, движущегося по поверхности никеля. Здесь MOTO автоматически заново обнаруживает хорошо известные перестановки атомов, такие как переходы по краю, перемещения в углу и скоординированные сдвиги нескольких атомов, вновь собирая детальную локальную сеть состояний и барьеров.

Что это значит в перспективе

Для неспециалистов ключевое сообщение заключается в том, что MOTO предлагает общий и эффективный способ выяснить, как сложная система может перейти из одной близлежащей конфигурации в другую, без ручной прокладки путей или угадывания всех важных переходов заранее. Он превращает одиночный снимок материала в локальную дорожную карту возможных изменений и их энергетических затрат. Поскольку метод требует лишь дифференцируемости энергии и возможности вычислять кривизну вдоль выбранных направлений, его можно расширить за пределы магнитных текстур и атомных поверхностей на многие другие системы, включая расчеты электронной структуры и даже модели машинного обучения. Это делает MOTO универсальным новым инструментом для раскрытия скрытых механизмов, управляющих поведением материалов, и для руководства разработкой технологий следующего поколения.

Цитирование: Xu, Q., Delin, A. A general optimization framework for mapping local transition-state networks. npj Comput Mater 12, 112 (2026). https://doi.org/10.1038/s41524-026-01985-3

Ключевые слова: энергетические ландшафты, переходные состояния, скермионы, вычислительная материаловедческая наука, атомная диффузия