По словам ученых, это расширяет возможности создания материалов с заданными свойствами и структурой. Явление назвали композиционной переносимостью. Об этом сообщает пресс-служба УрФУ. Статья с результатами исследования опубликована в Journal of Molecular Liquids.
Открытие сделали во время "тренировки" потенциалов машинного обучения на основе глубинных нейронных сетей. Потенциалы машинного обучения и математических функций позволяют описывать взаимодействие атомов в системе, характеризовать их движение и пространственное положение.
Ученые пытались установить, какие параметры оказывают влияние на глубинные нейросети, на скорость и стабильность их обучения. Для испытаний они использовали расплавы алюминия, меди и никеля - это химически сложная, многокомпонентная, при этом хорошо изученная система, пригодная и удобная для тщательного тестирования потенциалов.
Исследователи "обкатали" и "настроили" на десяти составах расплавов алюминия, меди и никеля несколько десятков потенциалов с разными значениями параметров. По итогам численных экспериментов они выявили приоритетные параметры, определяющие эффективность глубинной нейросети, определили их программное воплощение, наиболее оптимальное с точки зрения точности и скорости вычислений и прогнозов.
Выяснилось, что процедура сжатия выбранной модели нейросети, напоминающая архивацию файлов, увеличивает вычислительную производительность потенциалов в шесть раз, при соблюдении прежней точности вычислений и прогнозов.
Ученые намерены узнать, является ли композиционная переносимость универсальной чертой нейросети, и способна ли она опознавать, описывать и моделировать системы с большим количеством элементов, чем в расплаве.
Полученные данные открывают перспективы для разработки универсальных потенциалов для высокоточного, высокопроизводительного и экономичного прогнозирования, программирования и создания широкого спектра новых материалов с заданной структурой и свойствами, конкретно - многокомпонентных металлических сплавов.