In several recent years, a significant progress has been made in atomistic simulation of materials, involving the application of machine learning methods to constructing classical interatomic interaction potentials. These potentials are many-body functions with a large number of variable parameters whose values are optimized with the use of energies and forces calculated for various atomic configurations by ab initio methods. In the present paper a machine learning potential is developed on the basis of deep neural networks (DP) for Al–Cu alloys, and the accuracy and performance of this potential is compared with the embedded atom potential. The analysis of the results obtained implies that the DP provides a sufficiently high accuracy of calculation of the structural, thermodynamic, and transport properties of Al–Cu alloys in both solid and liquid states over the entire range of compositions and a wide temperature interval. The accuracy of the embedded atom model (EAM) in calculating the same properties is noticeably lower on the whole. It is demonstrated that the application of the potentials based on neural networks to the simulation on modern graphic processors allows one to reach a computational efficiency on the same order of magnitude as those of the embedded atom calculations, which at least four orders of magnitude higher than the computational efficiency of ab initio calculations. The most important result is that about the possibility of application of DP parameterized with the use of configurations corresponding to melts and perfect crystals to the simulation of structural defects in crystals and interphase surfaces.
В последние несколько лет достигнут существенный прогресс в атомистическом моделировании материалов, связанный с применением методов машинного обучения для построения классических межатомных потенциалов взаимодействия. Такие потенциалы представляют собой многочастичные функции с большим количеством варьируемых параметров, значения которых оптимизируются с использованием энергий и сил, вычисленных для различных атомных конфигураций с помощью ab initio-методов. В данной работе мы разработали потенциал машинного обучения на основе глубоких нейронных сетей (DP) для сплавов Al-Cu и сравнили его точность и производительность c потенциалом погруженного атома (2NN-MEAМ). Анализ полученных результатов позволяет заключить, что разработанный DP обеспечивает достаточно высокую точность расчета структурных, термодинамических, транспортных свойств сплавов Al-Cu как в твердом, так и в жидком состояниях во всем диапазоне составов и широком интервале температур. При этом точность MEAM при расчете тех же свойств в целом заметно ниже. Было показано, что использование потенциалов на основе нейронных сетей при моделировании на современных графических процессорах позволяет добиться производительности расчетов одного порядка c МЕАМ-вычислениями, что, как минимум, на 4 порядка выше вычислительной эффективности ab initio-расчетов. Важнейшим результатом явился вывод о возможности применения DP, параметризованных с использованием конфигураций, соответствующих расплавам и идеальным кристаллам, для моделирования структурных дефектов в кристаллах и межфазных поверхностей.