Точная отборка функциональных материалов с помощью машинно‑обученного потенциала и регрессий с переносным обучением: эталон для сплавов Гойслера

Почему ускорение открытия материалов важно

Современные технологии — от электрических автомобилей до центров обработки данных — зависят от специальных материалов, внутренняя структура которых настроена для очень конкретной задачи. Один важный класс, известный как сплавы Гойслера, может служить мощными и лёгкими магнитами для датчиков, запоминающих устройств и спинтроники. Но поиск редких составов с нужной комбинацией устойчивости и магнитных свойств шёл чрезвычайно медленно, поскольку каждый кандидат обычно требует тяжёлых квантово‑механических расчётов. В этой работе показано, как продвинутые модели машинного обучения могут взять на себя большую часть этой работы, просеивая сотни тысяч вариантов и гораздо быстрее выделяя наиболее перспективные материалы.

Поиск по обширному ландшафту сплавов

Авторы сосредотачиваются на большом и структурно богатом семействе материалов, называемом соединениями Гойслера, которые формируются при сочетании металлических и главных групп элементов в регулярной кристаллической решётке. Ранее компьютерные поиски с применением квантовых расчётов уже просеивали более простые трёхкомпонентные варианты и выяснили, что лишь около половины процента соответствуют строгим требованиям одновременно по устойчивости и сильной направленной магнитности. В этом исследовании команда значительно расширяет диапазон, включив более сложные четырёхкомпонентные смеси и варианты, полностью состоящие из переходных металлов, создав более 230 000 различных химических рецептур для изучения. Исследовать такое огромное пространство проектных решений только традиционными методами было бы вычислительно непосильной задачей.

Машинное обучение вместо тяжёлых расчётов

Чтобы справиться с этой сложностью, исследователи построили «высокопропускной» рабочий процесс, в котором модели машинного обучения имитируют шаги, которые обычно выполняют квантовые расчёты. Один тип модели, называемый универсальным межатомным потенциалом, обучается предсказывать энергию кристалла по множеству известных примеров и может быстро приводить исходную структуру к её самой стабильной форме. Другой набор моделей, регрессоры, затем принимает эти релаксированные структуры и предсказывает ключевые свойства: устойчивы ли колебания атомов, является ли материал магнитным, при какой температуре он теряет намагниченность и насколько сильно его намагниченность предпочитает направляться вдоль определённого направления. Последовательное объединение этих моделей позволяет авторам проверять каждый кандидат за доли секунды вместо часов.

Заимствование знаний через переносное обучение

Ключевая инновация — способ обучения моделей предсказания свойств. Вместо того чтобы начинать с нуля на относительно небольшом наборе данных по сплавам Гойслера, авторы берут мощный потенциал, предварительно обученный на десятках миллионов атомных окружений, охватывающих большую часть периодической таблицы. Они «замораживают» ранние слои этой модели, которые уже кодируют общие правила взаимодействия атомов, и дообучают лишь финальные слои для вывода магнитных и колебательных свойств. Эта стратегия переносного обучения одновременно повышает точность и помогает моделям работать с сплавами, содержащими элементы или сочетания, которых они ранее не видели. Тесты, в которых целые группы элементов исключали из обучения, показывают, что такое заимствование знаний существенно улучшает работу на незнакомой химии.

Поиск редких магнитных «драгоценностей» и их тщательная проверка

Запустив полный конвейер машинного обучения для всех кандидатов, команда выявила 334 четырёхкомпонентных сплава Гойслера и 924 полностью металлических Гойслера, которые кажутся термодинамически стабильными и обладают сильной магнитной анизотропией вместе с устойчивым магнитным порядком и колебательной стабильностью. Чтобы убедиться в надёжности такого сокращённого пути, они затем выполнили полные квантово‑механические расчёты для каждого выбранного кандидата. По большинству критериев отбора от примерно 80 до 99 процентов материалов, выбранных моделями, проходят более строгие проверки, что демонстрирует, что модели не только быстры, но и высокоточны. Исследование также сравнивает несколько конкурирующих машинно‑обученных потенциалов и более старые модели на основе графов, показав, что новейший плавный, выразительный потенциал в сочетании с регрессорами с переносным обучением обеспечивает наилучший баланс скорости и надёжности.

Ускорение открытий далеко за пределами магнитов

Помимо конкретного списка новых магнитов Гойслера, главное послание работы в том, что модели машинного обучения теперь могут заменить дорогостоящие квантовые расчёты в значительной части стандартного конвейера отбора. Авторы оценивают, что чисто квантово‑основанное исследование того же химического пространства потребовало бы на порядки больше вычислительного времени, чем их гибридный подход, даже до начала каких‑либо экспериментальных работ. Рассматривая модели машинного обучения как взаимозаменяемую замену для релаксации структур и оценки свойств и дообучая их по мере появления новых качественных данных, исследователи смогут изучать гораздо большие проектные пространства для магнитов, термоэлектриков, батарей и других функциональных материалов. Практически это означает, что редкие, лучшие в своём классе материалы, необходимые для будущих технологий, можно будет найти быстрее и при значительно меньших вычислительных затратах.

Цитирование: Xiao, E., Tadano, T. Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark. npj Comput Mater 12, 133 (2026). https://doi.org/10.1038/s41524-026-02013-0

Ключевые слова: межатомные потенциалы машинного обучения, сплавы Гойслера, высокопропускной отбор, магнитная анизотропия, открытие материалов