Искусственный интеллект для эффективной оценки функцій распределения в неупорядоченных материалах

Почему крошечные дефекты в «грязных» материалах имеют значение

Многие из наиболее перспективных материалов сегодня — от ядерного топлива до высокопрочных сплавов — представляют собой не идеально упорядоченные кристаллы, а химические «лоскутные одеяла», где разные атомы перемешаны друг с другом. Внутри таких сложных структур мелкие пропуски атомов и другие дефекты определяют, как в материале распространяются тепло, электричество и даже радиационное повреждение. В статье представлен PULSE — новый инструмент на базе искусственного интеллекта, который может гораздо эффективнее, чем традиционные компьютерные расчёты, предсказывать поведение таких дефектов в сложных неупорядоченных материалах.

Проблема подсчёта почти неисчислимого

В многокомпонентных материалах, таких как смешанные оксиды уран‑плутоний или сплавы с высокой энтропией, атомы могут занимать узлы решётки невероятно большим числом способов. Каждое конкретное расположение, или конфигурация, может слегка менять энергию образования и подвижность дефектов. Для прогнозирования свойств в реальных условиях учёным в принципе нужно учитывать все эти возможности — это выражается математически через величину, называемую функцией распределения (partition function). Классические подходы либо аппроксимируют беспорядок с помощью нескольких тщательно подобранных модельных структур, либо пробуют множество конфигураций методом Монте‑Карло. Первый подход может упустить важные расположения; второй часто настолько вычислительно дорог, что становится непрактичным для реалистичных систем.

Самообучающийся ИИ‑сэмплер

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) решает эту задачу, учась самостоятельно исследовать пространство конфигураций. Он построен на основе инверсионного вариационного автокодировщика — типа нейронной сети, который начинает с простых случайных входов и преобразует их в реалистичные атомные конфигурации. Важно, что такая модель не требует заранее собранной базы примеров. Вместо этого она генерирует кандидатные структуры, передаёт их атомистическому калькулятору для получения энергий и затем корректирует свои внутренние параметры, чтобы делать более полезные образцы более вероятными. Этот замкнутый цикл позволяет ИИ сосредоточиться на конфигурациях, наиболее существенных для функции распределения, особенно на тех, что доминируют при данной температуре.

Испытание PULSE на ядерном топливе

Чтобы продемонстрировать возможности метода, авторы применяют PULSE к оксиду уран‑плутония — ключевому материалу для ядерного топлива. Они сосредотачиваются на шоттки‑дефектах — группах пропущенных атомов, которые сильно влияют на поведение топлива при высоких температурах и радиации. Сначала метод тестируют на относительно небольших локальных окружениях, где функцию распределения ещё можно вычислить точно методом полного перебора. Оценки PULSE этой величины и получающихся концентраций дефектов хорошо согласуются с точными результатами, при этом требуя на порядки меньше энергетических расчётов, чем сканирование всей базы конфигураций. По сравнению с широко используемыми «специальными квазибеспорядочными структурами» PULSE даёт сопоставимую или лучшую точность, но обладает явной встроенной мерой сходимости и значительно меньшими вычислительными затратами при высоких температурах.

Что ИИ показывает про локальное окружение

Поскольку PULSE явно генерирует и оценивает атомные окрестности вокруг дефекта, его можно использовать, чтобы выяснить, насколько далеко простирается влияние дефекта. Систематически рандомизируя слои атомов всё дальше от дефекта, авторы обнаруживают, что в этом оксиде топлива лишь несколько оболочек соседних атомов существенно влияют на энергости дефектов, и что релевантная дистанция сокращается с ростом температуры. Метод также демонстрирует, как концентрации дефектов меняются с содержанием плутония: по мере обогащения материала плутонием образование дефектов в целом становится легче, что ведёт к более высокой плотности дефектов — особенно при низких температурах, где энергетические различия играют большую роль.

Почему это важно для проектирования материалов будущего

Для неспециалиста главный вывод таков: PULSE предлагает быстрый и гибкий способ для ИИ «перечислять» и приоритизировать наиболее важные атомные расположения внутри сильно неупорядоченных материалов. Вместо того чтобы исчерпывающе моделировать каждую возможную конфигурацию, метод учится в процессе, какие локальные шаблоны контролируют образование дефектов, а затем использует это знание для оценки концентраций дефектов и связанных свойств. Хотя демоснтрировано на ядерном топливе, та же методология применима к широкому классу сложных материалов, таких как сплавы с высокой энтропией или смешанные оксиды для систем накопления энергии и катализа. Таким образом PULSE может помочь исследователям быстро изучать, как микроскопический беспорядок формирует макроскопические свойства, направляя разработку более безопасных и эффективных материалов.

Цитирование: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

Ключевые слова: неупорядоченные материалы, машинное обучение, ядерное топливо, точечные дефекты, генеративные модели