详细内容或原文请订阅后点击阅览
物理学家展示了一种利用机器学习预测磁性合金特性的新方法
来自 Skoltech 和 MIPT 的科学家与来自德国、奥地利和挪威的同事提出并验证了一种利用机器学习潜力对磁性合金进行计算机建模的新方法。
来源:Robogeek新闻频道（关于机器人技术的俄罗斯与世界新闻）来自 Skoltech 和 MIPT 的科学家与来自德国、奥地利和挪威的同事提出并验证了一种利用机器学习潜力对磁性合金进行计算机建模的新方法。
该方法将原子磁矩（磁自由度）作为变量，成功预测了铁铝合金的能量、机械和磁性特性。科学家计划在该方法中添加主动学习功能，并在另一种材料——氮化铬上进行测试。该工作发表在《科学报告》上。
已发布当计算机建模材料时，您通常必须在计算速度和准确性之间寻找平衡。预测物质的性质和结构的最小误差是通过量子力学方法获得的，其中计算物质的电子结构。其中最流行的是密度泛函理论（DFT），它使用广义电子密度而不是每个电子的波函数，这减少了变量数量，简化了描述并加快了计算速度。然而，即使在超级计算机上，这种方法也可以模拟只有数十和数百个原子大小的系统。对于较大系统的计算，通过相互作用势使用更简化的方法，它描述原子之间的力，并且不考虑电子结构。因此，材料特性预测的准确性会降低。
为了正确预测此类物质的性质，来自 MIPT 和 Skoltech 的物理学家和数学家组成的科学小组将他们构建机器学习势 MTP（矩张量势）的方法推广到 mMTP（磁 MTP）版本，该版本考虑原子的磁自由度。科学家们已经使用了新版本，包括预测铁在顺磁和铁磁状态下的能量。在这项新工作中，科学家测试了双组分铁铝合金的方法。