Универсальный межатомный потенциал на основе машинного обучения для системы Mg-Al-Si-O, пригодный для материалов Земли при высоких давлении и температурах

Заглядывая в скрытое сердце Земли

Глубоко под нашими ногами породы из магния, алюминия, кремния и кислорода определяют процессы от извержений вулканов до движения литосферных плит. Экстремальные давления и температуры внутри Земли делают эти материалы практически недоступными для прямого лабораторного изучения. В этой работе предложен новый вычислительный способ имитации поведения таких минералов — с применением современных методов искусственного интеллекта, который заполняет пробел между дорогими квантовыми расчетами и упрощёнными традиционными моделями.

Почему моделировать глубокие породы так сложно

Мантия Земли в основном состоит из минералов на основе магния, алюминия, кремния и кислорода. Их устойчивость и поведение при плавлении контролируют жёсткость или текучесть пород, погружение плит в мантию и места возникновения землетрясений и скачков скоростей сейсмических волн. Исследователи опираются на фазовые диаграммы — карты, показывающие, какие минералы устойчивы при данной глубине и температуре. Эксперименты на глубинах в сотни километров чрезвычайно сложны, поэтому учёные обращаются к численным моделям. Классические модели работают быстро, но часто ошибаются в предсказании переходов минералов, тогда как более точные квантово-механические методы слишком медленны для крупных и сложных систем, важных для геонаук.

Обучение нейросети законам взаимодействия атомов

Авторы решают это узкое место, создавая межатомный потенциал на основе машинного обучения для системы Mg–Al–Si–O. По сути, они обучают глубокую нейронную сеть предсказывать, как атомы притягиваются и отталкиваются друг от друга, используя большую библиотеку примерных структур. Эти примеры получены с помощью продвинутых квантовых расчетов с особенно надёжным методом (r2SCAN) в широком диапазоне давлений, температур и типов минералов и расплавов. Чтобы улучшить точность в критически важных местах — при малых различиях в энергии, определяющих, какой минерал устойчив — авторы добавляют простую попарную гауссову поправку, настроенную по проверенной термодинамической базе. Такой гибридный подход снижает среднюю ошибку энергии для 20 распространённых мантийных минералов примерно с 5 до чуть более 1 килоджоуля на моль, практически не меняя их объёмы.

Сопоставление модели с природными фазовыми картами

Вооружившись этим уточнённым потенциалом, команда вычисляет фазовые диаграммы для ключевых систем-строителей, включая чистую диоксид кремния, алюмосиликаты и магнийсиликатные композиции, охватывающие основные мантиевые минералы, такие как форстерит, уэдслиит и рингвудит. Используя термодинамическую интеграцию и стандартные соотношения физической химии, они прослеживают границы, где одна фаза переходит в другую или в расплав. Предсказанные диаграммы хорошо согласуются с экспериментальными данными, включая высокодавленческие переходы в диоксиде кремния, которые не были явно включены в обучающую выборку. Там, где есть расхождения — например, небольшое смещение границы между форстеритом и уэдслиитом — это можно связать с оставшимися энергетическими неопределённостями в несколько килоджоулей на моль, что эквивалентно ошибкам в несколько сотен градусов или доли гигапаскаля.

Новые взгляды на интерфейсы и атомный беспорядок

Поскольку модель на основе машинного обучения одновременно точна и достаточно быстра для больших систем, авторы могут исследовать свойства, почти недоступные в лабораторных условиях. Один пример — то, как атомы алюминия и кремния перераспределяются в минерале силлиманиите при повышении температуры; это изучалось сочетанием их потенциала с методом Монте‑Карло. Другой пример — свободная энергия границы между твёрдым кристаллом и расплавом для двух типичных минералов: периклаза (MgO) и форстерита (форма оливина). С применением совершенных методов выборки они показывают, что эти интерфейсы обладают относительно низкой анизотропией — разницей поверхностной энергии между гранями кристалла — примерно 6 процентов для периклаза и 12 процентов для форстерита. Они также исследуют, как неравномерное напряжение влияет на известный переход низкотемпературного кварца в его высокотемпературную форму, обнаруживая, что типичные геологические уровни дифференциального напряжения смещают переход лишь незначительно.

Что это меняет в понимании нашей планеты

Для неспециалиста главный вывод заключается в том, что авторы создали мощную новую «цифровую лабораторию» для материалов глубинной Земли. Их модель на основе машинного обучения способна воспроизводить известные границы минералов и выходить за рамки современных экспериментов, оценивая тонкие свойства расплавов, интерфейсов и атомного беспорядка в экстремальных условиях. Это открывает путь к более реалистичным моделям течения мантии, процессов плавления и сейсмических структур, помогая учёным связать поведение атомов с крупномасштабной работой внутренностей нашей планеты.

Цитирование: Zhong, X., Li, Y. & John, T. A general purposed machine learning interatomic potential for Mg-Al-Si-O system suitable for Earth materials at high pressure and temperature conditions. npj Comput Mater 12, 141 (2026). https://doi.org/10.1038/s41524-026-02056-3

Ключевые слова: материалы мантии Земли, потенциал машинного обучения, молекулярная динамика, фазовые диаграммы, интерфейсы твердое–плавление