Атомный магнит учится предсказывать тепло ✎ экспресс

Оригинал: "Spin Neural Network Potential for Magnetic Phase Transitions in Uranium Dioxide"
arXiv:2603.07260 · 2026-03-07 · arXiv non-exclusive · собственный разбор · 1 мин
Нейросеть, обученная на квантовых расчётах, впервые воспроизвела магнитный переход в ядерном топливе.

Кусок ядерного топлива внутри реактора — это не просто твёрдое тело. При нагреве атомы урана в нём начинают «шевелить» своими магнитными моментами, и это движение меняет теплопроводность и другие свойства. Раньше точно рассчитать такое поведение было почти невозможно: квантовые вычисления требуют невообразимых ресурсов, а обычные модели не учитывают связь между магнетизмом и колебаниями кристаллической решётки.

Теперь на помощь пришла нейросеть. Ей скормили тысячи квантовых расчётов для разных магнитных конфигураций урана, и она научилась предсказывать энергию и силы, действующие на атомы. С этой нейросетью удалось смоделировать поведение миллионов атомов и увидеть, как при нагреве магнитный порядок разрушается — как строй солдат, который рассыпается в толпу.

Температура перехода получилась примерно 30 кельвинов — это как минус 243 градуса Цельсия, холоднее, чем на Плутоне.

Пока модель ошибается в деталях: при низких температурах она предсказывает другое магнитное состояние, чем наблюдают в эксперименте. Но сам переход она воспроизводит с правильной температурой. Это важный шаг: значит, нейросети могут заменить дорогие квантовые расчёты для больших систем и помочь проектировать более безопасное и эффективное ядерное топливо.

Диоксид урана плавится при 2865 °C — это выше температуры поверхности расплавленной лавы, но ниже, чем в дуге электросварки.

Понятия
уран магнитный переход ниобий ванадий физически информированная нейронная сеть спинтроника межатомный потенциал, обученный машинным обучением температура Кюри иттриевый железный гранат моделирование физики с помощью нейронных сетей переменный магнетизм нитрид ниобия обучение цифрового двойника ядерный спин материалы на основе машинного обучения прогнозирование теплопроводности спектроскопия ядерного спина стронций магнитный момент мюона цифровой двойник