Проблема, которая сводила с ума материаловедов 50 лет
Представьте, что вам нужно предсказать, как поведёт себя материал в активной зоне ядерного реактора при температуре 2000°C и давлении в сотни атмосфер. Не в теории, а на практике. С точностью до атома.
До 2025 года это было похоже на гадание на кофейной гуще, только с суперкомпьютерами. Классические методы молекулярной динамики и квантово-химические расчёты требовали месяцев вычислений даже для простых систем. А фазовые диаграммы (те самые карты, которые показывают, в каком состоянии будет материал при разных температурах и давлениях) строились методом научного тыка: сделали сотню дорогих экспериментов, нарисовали кривые между точками, надеемся, что не ошиблись.
Особенно доставалось карбиду технеция (TcC) — перспективному материалу для топливных таблеток реакторов IV поколения. Его фазовую диаграмму пытались рассчитать с 1970-х. Без особого успеха.
Почему графы, а не таблицы Excel
Вот где начинается магия. Материалы — это по определению графы. Атомы — узлы. Химические связи — рёбра. Кристаллическая решётка — регулярный граф с периодическими граничными условиями.
Но до недавнего времени все пытались запихнуть эту графовую структуру в табличные данные или векторы фиксированной длины. Это как описывать социальную сеть списком «у пользователя А 127 друзей, у Б — 43». Технически верно, но полностью теряется структура связей.
В исследовании, опубликованном в Acta Materialia в январе 2026, команда из Национальной лаборатории Ок-Ридж и MIT показала, как это работает на практике. Они взяли архитектуру GNN последнего поколения — так называемые «сообщающиеся» графовые сети (Message Passing Neural Networks, MPNN) с механизмами внимания, похожими на те, что используются в трансформерах типа Cerebras GLM4.7.
Что сделали конкретно с карбидом технеция
Алгоритм выглядит деceptively простым, если не знать, какая вычислительная мощь за ним стоит:
- Собрали датасет из ~50 000 конфигураций атомов технеция и углерода, рассчитанных методами теории функционала плотности (DFT). Каждая такая конфигурация — это граф с 64-256 атомами.
- Обучили GNN предсказывать энергию системы, силы на атомах и тензор напряжений по графовому представлению. Без всяких ручных фич — только атомные номера и координаты.
- Использовали обученную модель в гибридном методе Монте-Карло для поиска наиболее стабильных фаз при разных температурах и давлениях.
Результат? Фазовая диаграмма TcC, которая раньше требовала бы ~10 000 часов CPU времени, была построена за 10 часов на одной GPU NVIDIA A100. Ускорение в 1000 раз — это не маркетинговая цифра, а реальный результат из рецензируемой статьи.
| Метод | Время расчёта | Точность (MAE энергии) | Что можно рассчитать за разумное время |
|---|---|---|---|
| DFT (квантовая химия) | ~1000 часов на конфигурацию | Эталон (0 meV/atom) | Несколько десятков конфигураций |
| Классические силовые поля | ~10 часов на конфигурацию | 10-50 meV/atom (часто недостаточно) | Тысячи конфигураций, но только для известных материалов |
| GNN (после обучения) | ~0.01 секунды на конфигурацию | 2-5 meV/atom (близко к DFT) | Миллионы конфигураций, полные фазовые диаграммы |
Под капотом: как устроена GNN для материалов
Если вы думаете, что это просто очередная нейросеть, вы ошибаетесь. Архитектура здесь — это 80% успеха.
1 Кодирование инвариантностей
Материал должен вести себя одинаково, как бы вы ни повернули кристалл или ни сдвинули начало координат. Физика не зависит от системы отсчёта. Поэтому в GNN для материалов жёстко встроены:
- Инвариантность к平移циям: используют только относительные координаты атомов
- Инвариантность к вращениям: вместо векторов используют скалярные произведения и расстояния
- Инвариантность к перестановкам: графы по определению не зависят от порядка атомов
2 Механизм передачи сообщений
Сердце GNN — это итеративный процесс, где каждый атом (узел) собирает информацию от соседей, обновляет своё «состояние», и передаёт дальше. После 3-5 таких итераций каждый атом знает не только о ближайших соседях, но и о структуре в радиусе 10-15 Å.
Это похоже на слухи в маленьком городке: через несколько часов все знают новость, даже если непосредственно с источником не общались.
3 Чтение графа (Readout)
После того как все атомы обновили свои представления, нужно получить свойства всей системы. Самый простой способ — просто просуммировать или усреднить векторы всех атомов. Но в современных архитектурах используют более хитрые механизмы, включая внимание к критическим областям (где-то вроде RepE, но для графов).
Где спрятаны подводные камни
Звучит как серебряная пуля? Почти. Но есть нюансы, о которых не пишут в пресс-релизах.
Проблема 1: Далеко не нулевой старт. Чтобы обучить GNN, нужен датасет из тысяч DFT-расчётов. Каждый такой расчёт стоит $100-1000 в эквиваленте вычислительных ресурсов. Плюс экспертиза, чтобы эти расчёты правильно поставить.
Проблема 2: Экстраполяция vs интерполяция. GNN блестяще интерполирует внутри области, на которой обучена. Но попробуйте предсказать свойства материала с атомами, которых не было в тренировочных данных, или при температурах на порядок выше — получите красивый, но абсолютно неверный результат.
Проблема 3: Чёрный ящик с атомами. Почему модель предсказывает, что фаза А стабильнее фазы Б? «Потому что веса в слое 7 такие». Это серьёзная проблема для принятия решений в ядерной энергетике, где ошибка стоит миллиарды и человеческие жизни. Методы интерпретируемости вроде Mechanistic Interpretability для графов только начинают развиваться.
Что это меняет для ядерной энергетики
Конкретно сейчас — уже меняет три вещи:
- Ускорение разработки материалов для реакторов IV поколения. Вместо 10 лет на подбор состава и тестирование — 1-2 года. Особенно для материалов, работающих в экстремальных условиях (жидкометаллические теплоносители, соли-расплавы).
- Предсказание поведения при авариях. Что будет с оболочкой твэла при потере теплоносителя? Раньше это проверяли в дорогих и опасных экспериментах. Теперь можно смоделировать тысячи сценариев.
- Поиск материалов для трансмутации отходов. Нужны матрицы, которые будут тысячелетиями удерживать радиоактивные изотопы. Перебрать все возможные варианты химически было нереально. Теперь — сложно, но возможно.
И это только начало. Методология, отработанная на карбиде технеция, уже применяется к другим системам: циркониевым сплавам (оболочки твэлов), стали ODS (дисперсно-упрочнённые стали для активных зон), даже к материалам для термоядерных реакторов (где проблемы ещё сложнее, как в исследованиях DeepMind по удержанию плазмы).
А что с железом и бетоном?
Самый частый вопрос: если это так круто, почему до сих пор проектируют мосты и здания по старинке?
Ответ простой: для обычных материалов при обычных условиях классические методы работают достаточно хорошо. Зачем использовать нейросеть, если можно взять справочник и получить ответ с гарантированной точностью?
GNN в материаловедении — это инструмент для фронтьера. Для условий, где справочников нет. Для температур, при которых сталь ведёт себя как пластилин. Для давлений, сравнимых с ядром Земли. Для сред, где каждый атом бомбардируется нейтронами 14 МэВ.
Именно там, где классические методы ломаются, графовые нейронные сети показывают, зачем их вообще придумали.
Можно ли повторить это в гараже?
Технически — да. Практически — нет.
Код для подобных расчётов есть в открытом доступе (например, пакеты типа MACE, Allegro, NequIP). Даже датасеты по некоторым материалам публикуют. Но:
- Нужны тысячи GPU-часов для обучения. Не домашний RTX 4090, а кластер из десятков A100/H100.
- Нужны эксперты и по материаловедению, и по машинному обучению. По отдельности они бесполезны.
- Нужны валидационные эксперименты. Без них никто не поверит вашим предсказаниям, особенно в ядерной отрасли.
Но если вы всё же хотите попробовать — начинайте с малого. Не с карбида технеция, а с чего-то вроде графена или кремния. Датасеты есть, код есть, инфраструктура для распределённого обучения тоже. Главное — не ожидайте, что через неделю вы предскажете материал для термоядерного реактора.
А вот через год регулярной работы — вполне возможно. Потому что это уже не хайп, а рабочий инструмент. Который, кстати, работает в 1000 раз быстрее того, что было раньше. И это не маркетинг, а физика, записанная в весах нейросети.
