Учёные представили универсальную модель для моделирования материалов на основе машинного обучения

Исследователи из Лаборатории вычислительной науки и моделирования (COSMO) под руководством Микеле Черотти в EPFL представили новую модель и набор данных PET-MAD, которые значительно повышают эффективность машинного обучения для расчёта межатомных потенциалов (MLIP). Это ключевой инструмент для моделирования и предсказания свойств материалов.

Избыток Гиббса Γ_a элементов на поверхности (111) сплава CoCrFeMnNi. Автор: Nature Communications (2025). DOI: 10.1038/s41467-025-65662-7

Ранее универсальные модели MLIP сталкивались с проблемой нехватки качественных данных для обучения. Существующие базы данных, такие как Materials Project, в основном содержали информацию об устойчивых объёмных материалах с идеальными решётками, что не подходило для изучения поверхностных взаимодействий или фазовых переходов.

Новый набор данных Massive Atomistic Diversity (MAD) включает 95 595 структур 85 химических элементов, охватывая как органические, так и неорганические материалы, от объёмных структур до нанокластеров и молекул. База данных свободно доступна через архив Materials Cloud.

Вторая ключевая инновация — архитектура нейронной сети PET-MAD. В отличие от предыдущих подходов, где в модель заранее закладывались физические симметрии, новая модель учится им в процессе обучения, делая меньше априорных предположений. Это повышает скорость работы без потери точности.

Модель была протестирована на шести различных материалах. Она показала точность, сопоставимую со специализированными моделями, оптимизированными под конкретную систему. Среди успешных применений — изучение ионного транспорта в тиофосфате лития (перспективный твёрдый электролит), расчёт температуры плавления арсенида галлия и анализ влияния квантовых флуктуаций на ЯМР-спектры органических кристаллов.

Как отмечает учёный Арслан Мазитов, модель PET-MAD имеет потенциал для улучшения: можно использовать более точные методы теории функционала плотности (DFT), лучше учесть дальнодействующие межатомные взаимодействия и расширить разнообразие обучающих данных.

Важным преимуществом новой разработки является её доступность. В отличие от предыдущих универсальных моделей, обучение которых требовало огромных вычислительных ресурсов, PET-MAD демонстрирует, что разумный подбор данных позволяет снизить стоимость обучения до уровня, доступного для лабораторий с небольшим бюджетом, без ущерба для точности или скорости работы.

Больше информации: Arslan Mazitov et al, PET-MAD as a lightweight universal interatomic potential for advanced materials modeling, Nature Communications (2025). DOI: 10.1038/s41467-025-65662-7