Воркшоп DCTMD 2024 в Шанхае, Китай: Часть 1
На прошлой неделе научные сотрудники нашей лаборатории, Иван Новиков и Никита Рыбин, приняли участие в International Workshop on Data-Driven Computational and Theoretical Materials Design (DCTMD2024) в Шанхае. По этому случаю мы хотим поделиться с вами их работами.
Иван Новиков выступал с устным докладом "Machine-learned interatomic potentials for screening multi-component alloys", охватывающем два проекта: исследование пластичности сплавов, выполненное совместно с коллегами из Австрии, а также разработка машинно-обучаемого потенциала с магнитными степенями свободы. По второму проекту Иван выступает руководителем гранта РНФ.
В первой части доклада, посвященной проекту по исследованию пластичности, рассматривались материалы с объемно-центрированной кристаллической решеткой. Для их исследования были применены методы квантово-механических расчетов, машинного обучения, а также аналитическая модель расчета индекса пластичности. В работе было показано, что сплав Mo-Nb-Ta является пластичным в случае, если доля Mo в нем менее 20%, что согласуется с экспериментально известным результатом о том, что Mo является хрупким, а Nb и Ta - пластичны. Кроме того, для сплава Mo-Nb-Ti-Ta был проведен поиск оптимальных составов, при которых сплав является как прочным, так и пластичным. Результаты показывают, что увеличение содержания Mo и Nb при одновременном регулировании содержания Ta может улучшить пластичность эквиатомного сплава Mo-Nb-Ti-Ta без ущерба для прочности.
Во второй части доклада обсуждался магнитный машинно-обучаемый потенциал, который был обучен для исследования магнитной системы Fe-Al. Как было показано, этот потенциал корректно воспроизводит уменьшение суммарного магнитного момента системы при увеличении концентрации Al. В дальнейшем потенциалы с магнитными степенями свободы планируется применить для исследования пластичности магнитных сплавов.
Постерный доклад Никиты Рыбина был посвящен трем проектам: разработке методологий для расчетов термофизических свойств расплава FLiNaK, решеточной теплопроводности Ga2O3 и ускорения предсказания структуры молекулярных кристаллов с помощью машиннообучаемых межатомных потенциалов. Во всех своих исследованиях Никита использовал потенциалы класса Moment Tensor Potentials, разрабатываемые в нашей группе. Важным аспектом обучения всех потенциалов является применение активного обучения при построении обучающей выборки, что позволяет использовать обучающую выборку минимального размера без потери в точности расчетов. С оригинальными текстами можно ознакомиться в статьях: FLiNak, Ga2O3, молекулярные кристаллы.
За свой постер Никита получил Innovation award! В доказательство - фото ниже.
После поездки Иван и Никита поделились с нами впечатлениями о конференции в целом и об интересных докладах в частности. Об этом мы расскажем в следующем посте - не переключайтесь.