Алхимия беспорядка: нейросеть находит невероятные оксиды ✛ ✦

Оригинал: "Data-Driven Prediction of NaCl-Type Entropy-Stabilized Oxide Compositions from First-Principles and Supervised Learning"
arXiv:2607.04502 · 2026-07-05 · CC BY 4.0 · 3 мин
Высокопроизводительный скрининг энтропийно-стабилизированных оксидов с помощью DFT и нейросети открывает путь к ускоренному дизайну функциональных материалов.

Поиск новых материалов — словно плавание по неизведанному архипелагу: острова стабильных кристаллов возвышаются посреди бушующего океана возможных комбинаций, и лишь немногие из них выдерживают шторм термодинамики. Настоящий прорыв принесли энтропийно-стабилизированные оксиды, где именно хаос, а не порядок, скрепляет атомы. Ещё Людвиг Больцман прозрел, что природа не чурается беспорядка: конфигурационная энтропия смешения способна стать энергией связи. Когда в решётку кислорода внедряются пять или более металлов — от железа до индия — формируется твёрдый раствор, который, вопреки здравому смыслу ювелира, не распадается. Проблема в том, что пространство составов безбрежно: перебирать варианты в лаборатории — всё равно что нырять за жемчугом с завязанными глазами.

Чтобы превратить слепой поиск в навигацию по карте, физики выстроили многоуровневый симулятор реальности. На первом этапе квантово-механические расчёты методом функционала плотности воссоздали электронные облака в упорядоченных оксидах для 16 металлов, особо выделив элементы с высокой металличностью — способностью легко менять валентность. Беспорядок моделировался специальными суперячейками, где атомы расставлены псевдослучайно, словно гости на танцполе, которые непрерывно меняются партнёрами, но сохраняют общий ритм. Так было просчитано 416 пятерных конфигураций — труд, отнявший около миллиона ядро-часов. Однако истинным дирижёром этого атомного оркестра выступило машинное обучение. Многослойный перцептрон, вскормленный квантовыми данными, научился предсказывать температуру стабилизации — тот порог, за которым хаотическая смесь предпочитает оставаться единой фазой, а не распадаться на скучные бинарные оксиды. Здесь вступает язык квантовой термодинамики: свободная энергия балансирует между энтальпией из DFT и идеальной конфигурационной энтропией.

Нейросеть, обученная всего на 416 примерах, предсказала температуру стабилизации с ошибкой, сопоставимой с энергией пары водородных связей — 4 кДж/моль. Настоящий триумф: она без подсказок поместила уже известный оксид (Co,Cu,Mg,Ni,Zn)O в число лидеров, а более точный функционал приблизил расчётную температуру к экспериментальной (1249 К против ~1100 К). Иными словами, алгоритм, не зная ни таблицы Менделеева, ни правил химии, вывел закономерности, на постижение которых ушли десятилетия.

Эта работа — не просто ускорение рутины, а смена парадигмы. Прежде исследователь напоминал алхимика, смешивающего ингредиенты в надежде на чудо. Теперь у нас есть «тепловизор стабильности», высвечивающий самые горячие точки на карте составов. Среди новых кандидатов — (Ca,Cu,Fe,Mg,Zn)O и (Ca,Cu,In,Sr,Zn)O с температурами стабилизации около 1650–1750 К. Эксперименты подтвердили тренды, но указали на необходимость учитывать плавление и более тонкие эффекты. Выяснилось, что энтропия — не единоличный диктатор; энтальпийные факторы, такие как перенос заряда и совместимость ионных радиусов, плетут свой замысловатый узор. Нейросеть уловила эти сложные нелинейные хитросплетения — словно чуткий музыкант, слышащий симфонию там, где нам слышится шум.

Впереди — настройка инструмента. Следующие модели научатся слушать тепло колебаний решётки (фононы) и магнитные флуктуации, выйдут за рамки эквимолярных смесей и, возможно, будут проектировать материалы сразу под конкретную функцию: катоды для аккумуляторов, не боящиеся перегрева, катализаторы с долгим сроком службы или диэлектрики с программируемыми свойствами. Мы стоим на пороге эпохи, когда дизайн материалов превратится в точную науку, а беспорядок станет не врагом, а самым надёжным инструментом.

Проверка всех 4368 комбинаций в лаборатории заняла бы 84 года, даже если тратить на каждую лишь неделю. Нейросеть справляется за долю секунды.

\Delta S_{\text{conf}} = -R \sum_{i=1}^{n} y_i \ln y_i
Мера беспорядка, вносимого смешением n компонентов с долями y_i. Чем больше компонентов и чем равномернее они распределены, тем сильнее энтропия стабилизирует материал.
\Delta_{\text{hull}} H(\mathbf{x}_\varphi) = \Delta_f H(\mathbf{x}_\varphi) - E_{\text{GS}}(\mathbf{x}_\varphi)
Энергетический штраф за существование фазы: если энтальпия образования соединения выше энергии самого стабильного набора фаз при том же составе, то при нулевой температуре оно распадётся. Этот параметр нейросеть и учится предсказывать.
Учёные
Ludwig BoltzmannRudolf ClausiusJacob BekensteinStephen HawkingJames Clerk MaxwellEdward Witten
Понятия
энсо многомерный индекс ЭНСО