Специалисты «Сколтеха» разработали гибридный подход на основе искусственного интеллекта, который позволяет значительно упростить и ускорить моделирование образования трещин в металлах и сплавах — как на уровне отдельных атомов, так и в более крупных масштабах.
Как сообщила пресс-служба вуза, эта разработка открывает новые возможности для изучения трения, разрушения материалов и других процессов, где важно одновременно видеть и атомарный механизм, и общую картину.
Чтобы полностью понять, как зарождается и растет трещина, необходимо моделировать разрыв отдельных связей между атомами на самом ее кончике. Однако такие расчеты требуют колоссальных вычислительных мощностей, если речь идет о реалистичных образцах материалов. До сих пор эта задача оставалась непосильной даже для самых современных суперкомпьютеров, сообщает ТАСС.
Ученые нашли элегантное решение. Они предложили разделить материал на две зоны. В ключевых областях — например, в месте контакта частиц или на острие растущей трещины — сохраняется детальное атомарное описание. Все остальное пространство заполняется так называемыми квазиатомами. Это укрупненные частицы, которые могут быть в сотни и даже тысячи раз больше настоящих атомов, но при этом ведут себя как единое целое и подчиняются тем же законам физики.
Чтобы такая гибридная модель работала точно, исследователи создали специальный алгоритм на основе искусственного интеллекта. Он автоматически настраивает взаимодействие между квазиатомами таким образом, чтобы упругие свойства модели в точности соответствовали эталонным параметрам, полученным при полном атомарном моделировании.
В качестве проверки ученые использовали новый подход для расчета столкновения мельчайших частиц меди и кремния размером в доли микрометра. С помощью существующих методов провести такие расчеты было невозможно. Результаты не только подтвердили работоспособность метода, но и позволили выявить неточности в предсказаниях теории сплошных сред. В будущем это поможет инженерам и исследователям более точно рассчитывать свойства материалов, а также решать обратную задачу — подбирать атомарную структуру для получения нужных характеристик на макроуровне.
