Машинное обучение с квантовым отжигом обнаруживает пластичный, прочный и устойчивая к коррозии высокоэнтропийный сплав

Почему это важно для будущих материалов

От более лёгких автомобилей и кораблей до более долговечных медицинских устройств — современным технологиям нужны металлы, которые одновременно прочны, пластичны и устойчивы к коррозии. Поиск таких «идеальных сплавов» идёт крайне медленно, потому что учёным приходится исследовать гигантское пространство возможных составов при ограниченных и зачастую шумных данных. В этой работе показано, как форма квантовых вычислений, называемая квантовым отжигом, может в сочетании с машинным обучением эффективнее ориентироваться в этом поиске, а также продемонстрировано подходом проектирование и испытание нового высокоэнтропийного сплава, обладающего и высокой прочностью, и высокой коррозионной стойкостью.

Поиск иголок в металлическом стоге сена

Традиционные сплавы строятся вокруг одного–двух основных элементов, тогда как высокоэнтропийные сплавы смешивают четыре и более элементов в сопоставимых долях, открывая огромный спектр возможных структур и свойств. Эта свобода требует цены: число возможных составов растёт взрывоподобно, а подробные физические симуляции для каждого кандидата слишком медленны. Модели, основанные на данных, могут помочь, но экспериментальные данные скудны и непоследовательны, поэтому сложные модели легко «переобучаются» на особенностях данных вместо фундаментальной физики. Выбор подходящих дескрипторов, настройка сложности модели и отбрасывание бесполезных частей превращаются в трудные задачи оптимизации, где классические алгоритмы часто застревают на просто хороших, а не по-настоящему отличных решениях.

Пусть квантовая физика направляет алгоритмы

Квантовый отжиг подходит к таким задачам, переформулируя их как энергетические ландшафты: каждый возможный выбор признаков модели, параметров или связей соответствует расположению квантовых спинов, и наилучшее решение находится в состоянии наименьшей энергии. Поскольку квантовые системы могут одновременно исследовать множество конфигураций и туннелировать через тонкие энергетические барьеры, они способны вырываться из локальных западней, которые улавливают классические алгоритмы. В этой работе авторы создают рамочную систему «квант‑ассистированного машинного обучения» (QaML), которая переводит несколько ключевых шагов — выбор дескрипторов, обучение моделей опорных векторов и обрезку нейронных сетей — в общую квадратичную бинарную форму, пригодную для квантовых отжигателей. Они комбинируют это с хитрой схемой пакетной обработки, чтобы даже большие наборы дескрипторов можно было обрабатывать на современных устройствах с ограниченным размером.

От данных к многообещающему новому сплаву

Вооружившись этими инструментами, команда сосредоточилась на высокоэнтропийных сплавах на основе алюминия, хрома, железа, марганца и титана. В рамках этой семьи они искали однофазные сплавы с объёмно‑центрированной кубической решёткой, которые были бы лёгкими, прочными и устойчивыми к коррозии в агрессивных кислых и солёных средах. Правила, основанные на физике — например, требование наличия элементов, образующих защитные поверхностные плёнки, и избегание сочетаний, склонных к образованию нестабильных оксидов — сузили пространство поиска. Квант‑ассистированный отбор признаков выявил небольшой набор информативных дескрипторов для двух задач: классификации, предсказывающей хрупкую или пластичную деформацию сплава, и регрессии, оценивающей предел текучести. Затем были обучены квантово‑оптимизированные нейронные сети и машины опорных векторов на курированных экспериментальных данных. Примечательно, что сети, обрезанные с помощью квантового отжига, продемонстрировали лучшую обобщающую способность, чем сети, обрезанные классическими методами, даже когда классический солвер находил немного более низкие числовые значения стоимости, что указывает на склонность квантового подхода отдавать предпочтение более широким и устойчивым областям ландшафта решений.

Проверка прогноза на практике

Используя этот интегрированный конвейер скрининга, система выделила конкретный состав Al8Cr38Fe50Mn2Ti2 (в атомных процентах) как особенно перспективный. Расчёты указывали, что он должен образовывать простую однофазную структуру с высокой пластичностью, большой прочностью, относительно низкой плотностью и хорошей коррозионной стойкостью. Исследователи синтезировали сплав и подтвердили, что он кристаллизуется в требуемой структуре с равномерным распределением элементов. Испытания на сжатие показали предел текучести при 0,2% деформации 568 мегапаскалей и более 40% деформации без разрушения — что свидетельствует о значительной вязкости. Коррозионные испытания в кислых растворах хлоридов показали, что его пассивная плёнка остаётся стабильной до более высоких потенциалов и имеет почти в десять раз более низкую критическую плотность тока по сравнению с обычной нержавеющей сталью 304, что подразумевает более защитную и более долговечную поверхность.

Новый путь к более умному дизайну сплавов

В упрощённом виде исследование демонстрирует, что квантово‑усиленные алгоритмы могут помочь учёным просеивать колоссально большие пространства дизайна, чтобы находить металлические рецептуры, одновременно прочные и долговечные, даже при наличии лишь скромного объёма экспериментальных данных. Подтвердив предсказанную производительность конкретного высокоэнтропийного сплава в лаборатории, работа переводит квантовый отжиг из разряда теоретического любопытства в практический инструмент для проектирования материалов. По мере улучшения квантового оборудования аналогичные рабочие процессы могут ускорить открытие широкого спектра передовых материалов — от конструкционных сплавов для автомобилей и кораблей до специализированных покрытий, противостоящих коррозии в экстремальных условиях.

Цитирование: Ibarra-Hoyos, D., Connors, P.F., Jang, H. et al. Quantum-annealed machine learning discovers ductile, high strength and corrosion-resistant high-entropy alloy. npj Comput Mater 12, 159 (2026). https://doi.org/10.1038/s41524-026-02032-x

Ключевые слова: квантовый отжиг, машинное обучение, высокоэнтропийные сплавы, открытие материалов, коррозионная стойкость