AI‑driven data‑effektiv uppskattning av partitionfunktioner i oordnade material

Varför små brister i röriga material spelar roll

Många av dagens mest lovande material — från kärnbränslen till högpresterande legeringar — är inte perfekt ordnade kristaller utan kemiska ”lapptäcken” där olika atomer är grundligt blandade. Inuti dessa röriga strukturer styr små bortfall av atomer och andra defekter hur värme, elektricitet och till och med strålningsskador sprids genom materialet. Artikeln introducerar PULSE, ett nytt artificiellt‑intelligensverktyg som kan förutsäga hur sådana defekter beter sig i komplexa, oordnade material mycket mer effektivt än traditionella datorbaserade simuleringar.

Problemet med att räkna det nästan oräkneliga

I multikomponentmaterial som uran‑plutoniumblandade oxider eller högentropylegeringar kan atomer inta gitterplatser på ett enormt antal sätt. Varje distinkt fördelning, eller konfiguration, kan förändra hur lätt defekter bildas och rör sig. För att förutsäga egenskaper i verkligheten måste forskare i princip beakta alla dessa möjligheter, vilket matematiskt fångas av en storhet kallad partitionfunktionen. Klassiska tillvägagångssätt antingen approximera oordningen med ett fåtal noggrant utformade modellstrukturer eller samplear många konfigurationer med Monte Carlo‑simulationer. Den första strategin kan missa viktiga arrangemang; den andra är ofta så beräkningskrävande att den blir opraktisk för realistiska system.

En självtränande AI‑sampler

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) tar sig an denna utmaning genom att lära sig att utforska konfigurationsrummet på egen hand. Den är byggd kring en invers variational autoencoder, en sorts neuralt nätverk som utgår från enkla slumpmässiga indata och transformerar dem till realistiska atomära konfigurationer. Avgörande är att denna modell inte behöver en förkompilerad databas med exempel. Istället genererar den kandidatarrangemang, skickar dem till en atomistisk kalkylator för att få deras energier, och justerar sedan sina interna parametrar för att göra fördelaktiga sampel mer sannolika. Denna slutna loop tillåter AI:n att fokusera på de konfigurationer som betyder mest för partitionfunktionen, särskilt de som dominerar beteendet vid en given temperatur.

Att sätta PULSE på prov i kärnbränsle

För att demonstrera dess kapabiliteter tillämpar författarna PULSE på uran‑plutoniumoxid, ett centralt kärnbränslematerial. De fokuserar på Schottky‑defekter — grupper av saknade atomer som starkt påverkar hur bränslet reagerar på hög temperatur och strålning. Först testar de metoden på relativt små lokala miljöer där partitionfunktionen fortfarande kan beräknas exakt genom bruteforce. PULSE:s uppskattningar av denna storhet, och av de resulterande defektkoncentrationerna, matchar noggrant de exakta resultaten samtidigt som de kräver flera storleksordningar färre energiuträkningar än att scanna hela databasen. Jämfört med vida använda ”special quasirandom structures” uppnår PULSE liknande eller bättre noggrannhet, men med ett tydligt inbyggt mått på konvergens och avsevärt lägre beräkningskostnad vid hög temperatur.

Vad AI:n avslöjar om lokala omgivningar

Eftersom PULSE explicit genererar och värderar atomära närområden runt en defekt kan det användas för att undersöka hur långt en defekts påverkan sträcker sig. Genom att systematiskt slumpa lager av atomer längre och längre från defekten finner författarna att i denna oxidbränsle påverkar endast ett fåtal skal av närliggande atomer defektenergetiken i betydande grad, och att den relevanta avståndsskalan krymper när temperaturen stiger. Metoden visar också hur defektkoncentrationer förändras med plutoniumhalt: när materialet blir rikare på plutonium blir defektbildning i allmänhet lättare, vilket leder till högre defekttätheter — särskilt vid lägre temperaturer där energiskillnader är viktigare.

Varför detta är viktigt för framtida materialdesign

För en icke‑specialist är kärnbudskapet att PULSE erbjuder ett snabbt, flexibelt sätt för AI att ”räkna” och prioritera de viktigaste atomära arrangemangen i starkt oordnade material. Istället för att uttömmande simulera varje möjlig konfiguration lär sig metoden i farten vilka lokala mönster som styr defektbildning och använder sedan denna kunskap för att uppskatta defektkoncentrationer och relaterade egenskaper. Även om den demonstrerats på kärnbränsle kan samma ramverk tillämpas på en rad komplexa material, såsom högentropylegeringar eller blandade oxider för energilagring och katalys. På så sätt kan PULSE hjälpa forskare att snabbt utforska hur mikroskopisk oordning formar makroskopisk prestanda och därmed vägleda designen av säkrare och mer effektiva material.

Citering: 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

Nyckelord: oordnade material, maskininlärning, kärnbränsle, punktdefekter, generativa modeller