МТИ научил ИИ точнее предсказывать поведение металлических сплавов — ключ к новым материалам

Авиакосмическая промышленность, производство микрочипов, ветроэнергетика — всё это требует материалов, которые выдерживают нагрузки, не ржавеют и работают при экстремальных температурах. Большинство таких материалов — сплавы, то есть смеси двух и более металлов. Проблема в том, что понять, как именно ведёт себя сплав в конкретных условиях, традиционно можно, только изготовив и испытав его: компьютерные модели до сих пор справлялись с этой задачей плохо. Теперь исследователи Массачусетского технологического института (МТИ) разработали подход, который радикально повышает точность таких прогнозов. Статья опубликована в журнале Science Advances 19 июня 2026 года.

«Мы убедились, что это работает, не прибегая к дорогостоящим методам перебора. Теперь мы можем не просто сказать, что модель работает — мы можем показать, что симуляции с этими моделями точно предсказывают полезные свойства материалов», — говорит соавтор Родриго Фрейтас (Rodrigo Freitas).

Почему обычные ИИ-модели ошибались

В последние годы для моделирования материалов применяются так называемые «межатомные потенциалы» на основе машинного обучения — системы, которые по расположению атомов предсказывают, с какой силой они взаимодействуют. Именно это нужно для симуляции прочности, проводимости или температуры плавления.

Однако у химически «беспорядочных» сплавов, в которых атомы разных элементов случайно перемешаны в решётке, есть важная особенность: каждый атом оказывается в уникальном микроокружении. Одна и та же позиция в кристалле может быть окружена атомами разных элементов, расположенными совершенно по-разному. Предыдущие подходы к формированию обучающих данных для ИИ использовали либо случайные конфигурации, либо периодические структуры, и оба способа плохо отражали это реальное разнообразие. Отсюда и ошибки в прогнозах.

«Мотивы» как ключ к разнообразию атомных окружений

Киллиан Шерифф (Killian Sheriff) и его научный руководитель Фрейтас разработали информационно-теоретическую стратегию выборки на основе «мотивов» — характерных локальных атомных конфигураций. Алгоритм систематически ищет и добавляет в обучающий набор примеры, которые максимально расширяют представленное пространство возможных атомных окружений. Это позволяет «увидеть» редкие, но реально встречающиеся конфигурации, которые при случайной выборке почти никогда не попадают в обучающую выборку.

Ключевые результаты и возможности:

• Точнее прежних методов: модели, обученные с помощью нового подхода, значительно точнее предсказывают фазовые диаграммы (условия, при которых сплав меняет структуру) и физические свойства.
• Проверка реальными данными: команда сравнивала симуляции с экспериментальными измерениями атомного упорядочения в реальных сплавах — результаты совпали.
• Диапазон составов: одна обученная модель работает для широкого диапазона соотношений компонентов в сплаве — не нужно создавать отдельную модель под каждый состав.
• Вычислительная эффективность: подход не требует больших вычислительных ресурсов — достаточно стандартного исследовательского кластера.
• Практические приложения: разработка жаропрочных суперсплавов для турбин, высокоэнтропийных сплавов для ядерной промышленности, лёгких сплавов для аэрокосмической отрасли.

Читайте также по теме: Российские учёные создали алюминиевый композит с улучшенными характеристиками

Если рассматривать работу в более широком контексте, индустрия «открытия материалов с помощью ИИ» переживает бум. В 2024–2025 годах Google DeepMind (проект GNoME) и Microsoft Research объявили о прогнозировании миллионов новых стабильных кристаллических структур. Однако большинство таких систем предсказывают существование материалов, но не их поведение в реальных условиях. Работа МТИ закрывает именно этот разрыв: от предсказания того, «что существует», к прогнозу того, «как это ведёт себя».

Источник: Sheriff, K., Freitas, R. et al. «Information-theoretic sampling of local chemical environments in disordered alloys», Science Advances, 2026. MIT Department of Materials Science and Engineering.