Умные материалы: учёные создали алгоритм для быстрой симуляции парамагнетиков

Международная группа исследователей из России, Австрии и Канады разработала инновационный алгоритм, позволяющий автоматизировать обучение специализированных систем машинного обучения для моделирования парамагнитных материалов — веществ, способных намагничиваться под воздействием внешнего магнитного поля. Об этом сообщает Центр научной коммуникации МФТИ.

Участие в проекте приняли учёные МФТИ, Сколтеха, НИУ ВШЭ и зарубежных университетов. Разработка поможет ускорить создание высокочувствительных магнитных сенсоров, источников питания нового поколения и медицинского оборудования, в том числе устройств МРТ и нейромагнитной диагностики.

"Мы предложили способ автоматического обучения межатомного потенциала с учётом магнитных степеней свободы, который сохраняет точность квантово-механических расчётов, но позволяет выполнять их в десятки раз быстрее", — поясняют авторы статьи под руководством доцента МФТИ Ивана Новикова.

Международное сотрудничество и открытые перспективы

Работа стала результатом сотрудничества между российскими и зарубежными исследовательскими коллективами. Универсальности метода достаточно, чтобы применять его не только к парамагнетикам, но и к другим сложным системам, где важны магнитные или спиновые эффекты — от спинтроники до квантовых вычислений.

Что такое парамагнетики — и зачем их моделировать?

Парамагнитные материалы не обладают собственным магнитным моментом, однако в присутствии внешнего магнитного поля они выстраиваются вдоль его направления, приобретая временную магнитную поляризацию. Такие свойства делают их незаменимыми в магнитных сенсорах, медицине, микроэлектронике и квантовых технологиях.

Однако моделирование поведения этих материалов требует сложных и ресурсозатратных квантово-механических расчётов, особенно при учёте магнитных степеней свободы. Это делает традиционные вычислительные методы неэффективными при работе с широкими классами парамагнетиков.

Как работает новый подход?

Разработанный алгоритм использует концепцию машинно-обучаемых межатомных потенциалов — моделей, способных с высокой точностью воспроизводить поведение атомов, опираясь лишь на небольшой набор референсных квантово-механических данных. Главное новшество — автоматизация обучения такой модели, включая магнитные характеристики.

По сути, это позволяет построить "цифровой двойник" материала, способный точно и быстро просчитывать энергетические и магнитные свойства в широком диапазоне условий, не тратя недели на суперкомпьютерах.