Исследование опубликовано в журнале Materials & Design. Поиск новых сталей с уникальными свойствами — актуальная задача в современном материаловедении. Стали широко применяются в аэрокосмической, нефтегазовой, ядерной энергетике и других высокотехнологичных отраслях. До сих пор разработка новых сталей является трудоемким процессом и требует значительных временных затрат.
Перед исследователями стояла задача: найти новые стали с улучшенными механическими свойствами относительно уже используемых в корпусах атомных реакторов. Чтобы ускорить этот процесс, они применили машинное обучение. Физики из ВНИИА им. Духова и МФТИ создали обширную базу данных по сталям, включающую 294 состава сталей и более 4000 данных по их механическим свойствам и параметрам термообработки. На основе этой базы были обучены модели машинного обучения, предсказывающие заданные свойства сталей, такие как предел текучести, длительная прочность и ударная вязкость.
«В работе мы реализовали полный цикл поиска новых материалов: сбор базы данных, обучение моделей машинного обучения, разработка алгоритма поиска новых сталей (эволюционного алгоритма) и самое важное — экспериментальная верификация найденных соединений. Крайне мало работ, в которых проводился подобный цикл исследований и в результате которых были бы обнаружены новые стали с улучшенными свойствами», — поделился Круглов Иван, заведующий лабораторией компьютерного дизайна материалов МФТИ.
Для поиска новых составов сталей ученые разработали эволюционный алгоритм, похожий на тот, который заложен в биологической эволюции. Сначала в алгоритме генерируется первое поколение сталей случайным образом, то есть задается элементный состав сталей и параметры их термообработки. Затем на это поколение воздействуют четыре оператора, формирующие следующее усовершенствованное поколение.
Первый оператор — оператор мутации: он случайно выбирается определенное количество сталей, в каждой из которых спонтанно выбирает признак, который будет мутироваться. Далее этот признак таким же образом меняется в пределах десяти процентов от исходного значения. Следующий оператор называется скрещивание или наследственность. Он выбирает случайно несколько различных сталей, из этой подвыборки наугад выбираются лучшие родители для новой стали и происходит скрещивание.
Это значит, что произвольным образом выбираются признаки от одного и другого родителя и объединяются, формируя новую сталь. Далее идет третий оператор: в образовавшееся поколение спонтанно добавляются новые стали. И последний оператор создает следующее поколение из нескольких первых лучших сталей из предыдущего поколения. В результате применения этих четырех операторов получается новое поколение, свойства которых точно не хуже предыдущего поколения. В данном алгоритме ключевыми параметрами являются число поколений, размер поколения и параметры случайного скрещивания.
Для увеличения точности теоретического расчета механических свойств сталей ученые добавили в алгоритм обучения микроструктурные параметры. Это позволило модели запоминать более сложные паттерны и выучивать более комплексные закономерности, что положительно повлияло на качество результатов.
Разработанный алгоритм предложил пять составов для сталей, отсутствующих в обучающей выборке, при этом механические свойства которых были лучше, чем у используемых на текущий момент в отрасли сталей Физики синтезировали стали по полученным результатам и экспериментально проверили их механические свойства. Эксперименты подтвердили, что новые стали обладают высоким пределом длительной прочности, ударной вязкости и пределом текучести. Эти материалы перспективны для конструирования более надежных корпусов реакторов. Например, параметр предел длительной прочности означает, какую нагрузку может выдержать сталь в течение заданного времени при заданной температуре. Повышение этого свойства увеличивает срок использования корпусов реакторов.
Эксперимент подтвердил теоретические расчеты, сделанные с помощью модели машинного обучения. Однако для двух из пяти сталей наблюдалось расхождение между предсказанием и экспериментом. Физики связывают это с методологией эксперимента — модели не учитывают целиком все этапы выплавления стали, плюс существуют ошибки при экспериментальной проверке свойств.
«Кроме того, оказалось, что модель выучила паттерн: чем больше никеля в составе, тем больше предел текучести. А в двух из пяти сталей, в которых мы сильнее всего ошибаемся, оказалась очень высокая концентрация никеля (какой не было в обучающей выборке), что и дало такие ошибки. Вообще говоря, проблема экстраполяции за обучающую выборку — это довольно известная проблема в машинном обучении, решение которой пока неизвестно. В будущем мы планируем учитывать все эти недостатки на всех этапах — от сбора данных до экспериментальной верификации, чтобы делать более точные модели и получать новые стали с лучшими механическими свойствами», — объяснил Трофимов Иван, младший научный сотрудник лаборатории компьютерного дизайна материалов МФТИ.
Разработанный подход универсальный, и его можно применять не только для поиска новых сталей, но и в целом для поиска новых материалов.
В работе участвовали физики из Центра фотоники и двумерных материалов МФТИ, ВНИИА имени Духова и АО «НПО «ЦНИИТМАШ».