Потенциалы межатомного взаимодействия на основе машинного обучения как перспективные инструменты материаловедения

Моделирование и изучение материалов на атомном уровне достигли значительного прогресса, однако по-прежнему принципиально ограничены высокой вычислительной стоимостью методов явного расчёта электронной структуры, таких как теория функционала плотности. В этом обзорном докладе показано, как машинное обучение (МО) обеспечивает новый уровень реалистичности моделирования материалов: «обучаясь» на данных о электронной структуре, потенциалы межатомного взаимодействия на основе машинного обучения позволяют проводить атомистическое моделирование с сопоставимой точностью, но на несколько порядков быстрее. Представлено краткое введение в эти новые инструменты, после чего рассмотрены отдельные приложения в материаловедении: материалы с фазовым переходом для запоминающих устройств; катализаторы на основе наночастиц; и углеродные электроды для химического сенсирования, суперконденсаторов и аккумуляторных батарей. Предполагается, что эта работа будет способствовать разработке и более широкому применению потенциалов межатомного взаимодействия на основе машинного обучения в различных областях исследования материалов.