Потенциалы активного обучения для фазовых диаграмм из первых принципов с использованием обмена реплик в вложенном сэмплинге

Почему это важно для будущих материалов

От более быстрых микросхем до более прочных авиационных деталей — многие современные технологии зависят от знания того, как материал меняется при нагреве или сжатии под давлением. Эти изменения, называемые фазовыми переходами, суммируются в фазовых диаграммах — картах, которые показывают учёным, какая форма материала устойчива при каких условиях. В этом исследовании представлен новый способ автоматически строить такие карты прямо из квантово‑механических расчётов, используя искусственный интеллект для существенного сокращения затрат при сохранении высокой точности.

Картография материалов без догадок

Традиционно построение фазовой диаграммы «с первых принципов» похоже на поход по пересечённой местности в темноте: нужно заранее догадываться, где находятся важные долины и перевалы. Многие стандартные методы работают только если исследователи предоставляют сильную априорную информацию о том, какие кристаллические структуры или «пути» исследовать. Авторы же опираются на метод, называемый вложенным сэмплингом, который систематически прочёсывает полную энерго́вую поверхность материала без предположений о том, какие фазы появятся. Отслеживая, насколько доступны разные области этой поверхности, вложенный сэмплинг может восстановить термодинамические свойства и фазовые переходы в широком диапазоне температур за один проход.

Пусть модель сама выбирает, чему нужно учиться

Даже самый продвинутый метод поиска требует хорошего описания взаимодействий атомов. Прямые квантово‑механические расчёты (теория функционала плотности) точны, но слишком дороги для миллионов или миллиардов оценок. Команда решает эту проблему, обучая межатомные потенциалы с помощью машинного обучения — быстрые модели, имитирующие квантовые силы между атомами. Но эти модели надёжны только в тех областях, где у них есть достаточно примеров. Чтобы это исправить, авторы создают цикл активного обучения: модель машинного обучения запускает вложенный сэмплинг, отмечает конфигурации, в которых она не уверена, и запрашивает квантово‑механические расчёты высокого уровня только для этой тщательно отобранной подвыборки. Новые данные возвращаются в модель, которая становится более надёжной в наиболее значимых для фазовой диаграммы областях.

Новый движок для исследования кремния, германия и титана

Исследователи проверили свой подход на трёх важных элементах: кремнии и германии, хорошо известных полупроводниках, и титане, широко используемом конструкционном металле. Они начали с относительно скромных начальных баз данных, построенных из известных кристаллических структур и простых искажений, умышленно исключив жидкости и многие высокоэнергетические конфигурации. Replica‑exchange nested sampling — многочисленные запуски вложенного сэмплинга при разных давлениях с возможностью обмена конфигурациями — затем исследовал энерго́вые ландшафты материалов. После каждого раунда исследования алгоритм автоматически отбирал сотни представительных атомных конфигураций, с приоритетом тех, где прогнозы сил наиболее расходились в комитете нейронных сетей. Эти конфигурации были пересчитаны высокоточным квантовым методом (r2SCAN) и использованы для дообучения потенциалов перед запуском следующего раунда.

От шумных начал до надёжных фазовых карт

Примерно за десять‑пятнадцать циклов обучения неопределённость моделей постепенно уменьшалась, особенно в силах, управляющих движением атомов. Одновременно траектории вложенного сэмплинга начали выявлять знакомые очертания фазовых диаграмм. Для кремния метод воспроизвёл известную низко‑давленную алмазную структуру, её высоко‑давленную гексагональную фазу и характерное поведение плавления при изменении температуры и давления, в целом хорошо согласовавшись с экспериментами и предыдущими симуляциями. Германий показал похожую картину: низко‑давленная алмазоподобная фаза уступает место высоко‑давленной металлической фазе, хотя точное давление перехода несколько сместилось из‑за выбранного квантово‑механического приближения. Титан оказался более сложной проверкой: его фазы металлические, структурно похожи и разделены малыми разностями энергии. Даже в этом случае стратегия активного обучения уловила последовательность твёрдых фаз и линию плавления, а дополнительные проверки с использованием функций распределения радиальных расстояний подтвердили идентичность предсказанных структур.

Что это значит для проектирования новых материалов

Проще говоря, исследование демонстрирует, что компьютер теперь может самостоятельно выяснить, как материал ведёт себя в широком диапазоне температур и давлений, обращаясь к квантово‑механическому «оракулу» только по мере необходимости. Движок replica‑exchange nested sampling гарантирует широкое и непредвзятое исследование, в то время как цикл активного обучения обеспечивает высокую точность потенциалов машинного обучения в термодинамически важных областях. Хотя текущее исследование сосредоточено на трёх элементах и одном конкретном квантовом методе, рамки подхода универсальны: их можно сочетать с более продвинутыми электронными теориями или мощными нейросетями, а также расширять на сложные сплавы или соединения. По мере роста вычислительных мощностей и совершенствования алгоритмов такой автономный рабочий поток может стать стандартным инструментом для предсказания фазовых диаграмм и направлять открытие новых материалов с заданными свойствами.

Цитирование: Unglert, N., Ketter, M. & Madsen, G.K.H. Active learning potentials for first-principles phase diagrams using replica-exchange nested sampling. npj Comput Mater 12, 107 (2026). https://doi.org/10.1038/s41524-026-01989-z

Ключевые слова: фазовые диаграммы материалов, активное обучение, потенциалы машинного обучения, вложенный сэмплинг, кремний германий титан