Методика полного обхода дорогостоящих расчетов DFT с помощью графовых нейронных сетей для предсказания энергии образования вакансий в ОЦК сплавах с высоким энтропийным составом

Почему умный дизайн металлов имеет значение

От авиадвигателей до ядерных реакторов инженеры полагаются на современные металлические сплавы, которые выдерживают высокие температуры, нагрузки и радиацию в течение многих лет. Особый класс, называемый сплавами с высоким энтропийным составом, смешивает несколько металлов, создавая сложные атомные окружения, которые могут делать материал одновременно прочным и стабильным. Но предсказать, как крошечные дефекты в таких сплавах влияют на свойства, обычно требует крайне дорогостоящих квантовомеханических расчетов. В этом исследовании предлагается обходной путь: большинство тяжелых вычислений заменяется машинным обучением, что открывает путь к более быстрому поиску новых, более стойких сплавов.

Маленькие пустоты, которые управляют большими изменениями материала

Внутри любого металла всегда отсутствует несколько атомов в их регулярных позициях, формируя вакансии. Эти микроскопические пустоты управляют тем, как атомы перемещаются, как металл деформируется и как он медленно изменяется под нагрузкой или при нагреве. Ключевая величина — энергия образования вакансии — показывает, насколько трудно создать такую пустоту. В сплавах с высоким энтропийным составом, где множество разных атомов с разными размерами и электроотрицательностью перемешаны случайным образом, эта энергия может сильно варьироваться от одного локуса к другому. Понимание этой вариативности необходимо для предсказания сопротивления ползучести, прочности и долговременной стабильности, но точный расчет традиционными методами чрезвычайно медленен.

Два простых отпечатка сложного поведения

Авторы показывают, что два локальных «отпечатка» захватывают большую часть сложности вакансий в этих сплавах: объем вокруг атома и способ перераспределения электрического заряда между соседними атомами. Если атомы очень разного размера разделяют решетку, пространство вокруг потенциальной вакансии может растягиваться или сжиматься, изменяя энергию, требуемую для образования пустоты. Аналогично, когда элементы с разной склонностью к захвату электронов находятся рядом, заряд перетекает между ними, тонко изменяя связь. Изучая более простые бинарные и тернарные гранецентрированные кубические сплавы, команда демонстрирует четкие тенденции: в одних сплавах энергия вакансии растет с локальным объемом, в других она коррелирует с величиной набранного или потерянного заряда, а в некоторых случаях оба эффекта переплетаются.

Создание цифрового аналога тяжелых расчетов

Чтобы учитывать эти эффекты без постоянного обращения к дорогостоящим квантовым симуляциям, исследователи разрабатывают трехэтапный конвейер машинного обучения. Сначала они тонко настраивают существующую нейронную модель CHGNet, чтобы она могла точно релаксировать атомные позиции в случайных сплавах и воспроизводить тонкие искажения решетки, наблюдаемые в системах с высоким энтропийным составом. Во-вторых, они обучают модифицированную графовую нейросеть предсказывать распределение заряда по атомам в этих релаксированных структурах, используя только информацию, извлеченную из локального окружения. В-третьих, они подают и структуру, и предсказанные заряды в другую графовую модель, которая выдает энергию образования вакансии для каждого атомного сайта. Критично то, что после обучения на умеренной базе данных более простых сплавов, эти модели могут применяться к гораздо большим и более сложным системам без возврата к исходным дорогостоящим квантовым методам.

Масштабирование до реалистичных размеров сплавов

С внедренной методикой команда протестировала ее на никель–медь–золото–палладиевых сплавах с высоким энтропийным составом, а затем распространила на сплавы, содержащие никель, кобальт и хром. После небольшой добавки тренировочных данных из новой системы модели сохраняют ранее усвоенные знания и одновременно приобретают способность работать с новой химией. Они могут предсказывать энергии вакансий с точностью, близкой к квантовым расчетам, но при гораздо меньших затратах времени и ресурсов. Метод также работает для суперъячеек размером в тысячи атомов, что далеко превосходит возможности стандартных квантовых симуляций, позволяя исследователям изучать более реалистичные представления неупорядоченных сплавов.

Что это означает для будущих материалов

Проще говоря, работа показывает, что тщательно спроектированные модели машинного обучения могут служить надежной заменой тяжелых физических расчетов при изучении мелких дефектов в сложных сплавах. Сосредоточившись на нескольких физически значимых «отпечатках» и обучившись на более простых системах, авторы создали инструмент, который способен быстро просканировать огромные пространства проектных решений в поисках сплавов с желательными свойствами дефектов. Это не полностью отменяет необходимость квантовых расчетов, но значительно сокращает частоту их использования, делая процесс поиска и оптимизации материалов следующего поколения гораздо более практичным.

Цитирование: Linton, N., Singh, P. & Aidhy, D.S. Framework to completely bypass expensive DFT calculations via graph neural networks for vacancy formation energy predictions in FCC high entropy alloys. npj Comput Mater 12, 175 (2026). https://doi.org/10.1038/s41524-026-02037-6

Ключевые слова: сплавы с высоким энтропийным составом, энергия образования вакансии, графовые нейронные сети, теория функционала плотности, машинное обучение в материаловедении