Метод машинного обучения в два шага с информированными доменными признаками: ускорение поиска сверхсмазочных гетероструктур

Почему важно скольжение без трения

От жестких дисков и электромобилей до крошечных медицинских датчиков современная техника зависит от движущихся частей, которые трутся друг о друга. Это трение тратит энергию и изнашивает компоненты. Ученые мечтают о «сверхсмазочности» — состоянии, при котором поверхности скользят с практически нулевым сопротивлением, как шайбы в игре аэрохоккей, но на атомном уровне. В этой статье рассматривается, как исследователи с помощью продвинутых компьютерных симуляций и методов машинного обучения быстро обнаруживали новые сочетания ультратонких материалов, которые способны почти полностью исключить трение.

Атомно тонкие строительные блоки

Исследование сосредоточено на двумерных материалах — кристаллических листах толщиной всего в несколько атомов. Хорошо известные примеры включают графен и семейство переходных дихалькогенидов переходных металлов (TMD), такие как дисульфид молибдена (MoS₂) и дисульфид вольфрама (WS₂). Эти материалы уже ценятся как твердые смазки, потому что их слои легко соскальзывают друг относительно друга. Когда два разных листа складываются в гетероструктуру, их атомные решетки могут не совпадать точно. Такое несоответствие, называемое несогласованным контактом, может значительно снизить трение и породить структурную сверхсмазочность, при которой сопротивление движению приближается к нулю.

Проблема слишком большого числа вариантов

Проектирование таких «скользких» интерфейсов не сводится к простому сочетанию любых двух листов. Авторы рассмотрели 66 различных монослоев, собранных из разных металлов (например, Mo, W, V, Ni) и халькогенов (S, Se, Te), а также так называемые Янус-слои, отличающиеся по сторонам. В принципе возможны сотни различных пар, каждая с множеством вариантов выравнивания слоев. Точное моделирование энергии скольжения — того, как общая энергия меняется при перемещении одного листа по другому — обычно требует ресурсоемких квантово-механических расчетов. Выполнение таких расчетов для каждой возможной пары заняло бы непрактично большое количество вычислительного времени.

Обучение алгоритмов тому, что действительно важно

Чтобы справиться с этой задачей, команда разработала стратегию машинного обучения в два шага. Сначала они создали небольшое, но тщательно подобранное «обучающее множество» из 78 гетероструктур и рассчитали ключевые физические величины с помощью методов высокой точности. Сюда вошли, в частности, сила сцепления между слоями, их жесткость и перераспределение электронов на интерфейсе. Вместо попытки предсказать трение прямо из сырого геометрического описания, исследователи обучили несколько моделей машинного обучения связывать простые структурные дескрипторы — такие как длины связей, размеры атомов и межслоевое расстояние — с более информативными «доменными признаками», которые известны как определяющие трение. Эти модели выступают в роли быстрых суррогатов, позволяя оценивать трудоемкие свойства для большого числа кандидатных материалов без повторения дорогостоящих расчетов.

Дать компьютеру возможность искать самые скользкие пары

На втором шаге авторы объединили свои суррогатные модели со стратегией поиска, называемой байесовской оптимизацией. Этот метод непрерывно предлагает новые кандидаты-гетероструктуры, которые с наибольшей вероятностью покажут низкую энергию скольжения, обновляет свои ожидания на основе новых высокоточных расчетов и затем снова ищет дальше. Итерация этого цикла всего несколько раз позволила системе эффективно сосредоточиться на наиболее перспективных суперсмазочных сочетаниях среди более чем 400 вариантов. Ключевым стало то, что суррогатные модели сократили вычислительные затраты почти на месяц суперкомпьютерного времени при сохранении ошибок прогнозирования на приемлемом уровне.

Новые суперсмазочные пары и испытания в реальности

Поиск выявил три особенно перспективные пары: MoS₂/WS₂, MoS₂/VS₂ и NiS₂/NbSSe. Детальные симуляции показали, что их ландшафты энергии скольжения настолько сглажены, что энергетические «волнения» существенно меньше, чем в классических низкотреинных системах, например графен на графене или графен на гексагональном нитриде бора. Молекулярно-динамические расчеты указали на коэффициенты трения значительно ниже 0.001 для MoS₂/WS₂ и MoS₂/VS₂ при наноразмерных нагрузках — признак сверхсмазочности. Команда затем изготовила покрытия MoS₂/WS₂ и MoS₂/VS₂, используя 3D-печатные керамические структуры с точечным контактом, имитирующие множество микроскопических «ползунков». При лабораторных испытаниях трения MoS₂/WS₂ уменьшало трение примерно на треть по сравнению с эталонным покрытием MoS₂/MoSe₂, известным своей высокой скользкостью.

Что это значит для будущих машин

Проще говоря, исследование демонстрирует, что обучение компьютеров «языку физики» трения — того, как структура связана с жесткостью, адгезией и перераспределением электронного заряда — позволяет им гораздо быстрее исследовать огромные пространства проектных решений, чем грубый перебор. Подход в два шага не только выявил новые суперсмазочные сочетания материалов, но и подтвердил их эффективность как атомистическими симуляциями, так и реальными трибологическими экспериментами. По мере расширения и совершенствования этой стратегии она может ускорить открытие низкотрениевых покрытий для всего — от механизмов космических аппаратов и прецизионных приборов до микромашин — помогая будущим устройствам работать холоднее, служить дольше и тратить гораздо меньше энергии.

Цитирование: Chen, L., Huang, Y., Zhang, H. et al. Domain features-informed two-step machine learning: accelerating the search for superlubric heterostructures. npj Comput Mater 12, 147 (2026). https://doi.org/10.1038/s41524-026-01996-0

Ключевые слова: сверхсмазочность, 2D материалы, гетероструктуры, машинное обучение, твердая смазка