إمكانية تفاعلية ذرية تعتمد التعلم الآلي لأكاسيد الحديد

تُعد إمكانية تفاعلية ذرية جديدة تعتمد على التعلم الآلي خطوة تحولية في دراسة أكاسيد الحديد، وهي فئة مواد أساسية في التحفيز الكيميائي وتخزين الطاقة وعلم الجيوكيمياء. نُشرت في مجلة Scientific Reports التابعة لـNature، وتُلتقط هذه الإمكانية الخصائص الهيكلية المعقدة لهذه الأكاسيد التي تظهر سلوكيات متنوعة رغم أهميتها.

تشمل أكاسيد الحديد مثل الهيماتيت والماغنتيت تطبيقات من منع الصدأ إلى إنتاج الحديد. الحسابات التقليدية باستخدام نظرية الكثافة الوظيفية (DFT) دقيقة لكنها مكلفة حاسوبيًا للمحاكيات واسعة النطاق. توفر الإمكانية الجديدة جسرًا لهذه الفجوة من خلال التعلم من بيانات DFT للتنبؤ بالطاقات والقوى والإجهادات بدقة عالية.

تعتمد الإمكانية على تقنيات تعلم آلي متقدمة، مشابهة للأعمال المتعلقة بسبائك Fe-Cr-Ni وأنظمة الحديد-الأكسجين. على سبيل المثال، تستخدم إمكانيات Moment Tensor Potentials (MTP) أساسًا متعدد الحدود لتمثيل التفاعلات الذرية، وتُدرّب عبر التعلم النشط دون ديناميكيات جزيئية طويلة. كذلك، تُبرز إمكانيات Atomic Cluster Expansion (ACE) المغناطيسية صراحةً في أكاسيد الحديد، مما يمكّن من وصف الديناميكا الحرارية عبر محتويات الأكسجين.

يشمل التدريب هياكل متنوعة: مراحل نموذجية، تكوينات مسترخية بحدود طاقة تصل إلى 520 إلكترون فولت، وشبكات k كثيفة للدقة. تُجرى حسابات مغناطيسية قطبية مع تعيين لحظات مغناطيسية أولية، وتحسين مواقع الذرات عبر طريقة التدرج المترافق. تضمن هذه الطريقة موثوقية لخصائص مثل الترتيب قصير المدى (SRO)، ثوابت المرونة، التمدد الحراري، حدود الحبوب، وطاقات الخلل في التراص.

• تدريب سلبي على مجموعات بيانات DFT متنوعة للاستيفاء الواسع.
• تعلم نشط يُحسّن الإمكانيات باستخدام محاكيات MD في LAMMPS، مشابهًا للتعلم أثناء التشغيل.
• التحقق عبر تركيبات ودرجات حرارة مختلفة، بما في ذلك التكوينات المغناطيسية الإنزالية.

يؤكد الباحثون على طبيعتها التجريبية، مُظهرين قدرة MTP على الخصائص الأساسية عبر محاكيات Monte Carlo وMD.

يُسرّع هذا التطوير اكتشاف المواد. تعيق التعقيدات الهيكلية والإلكترونية والمغناطيسية لأكاسيد الحديد النمذجة الذرية التقليدية. تُمكّن الإمكانيات الدقيقة الآن من محاكيات على مقاييس غير متاحة لـDFT، أمر حاسم لتقنيات مستدامة مثل البطاريات والمحفزات.

فكر في سيناريو واقعي: مهندسو المواد يصممون محفزات أفضل لإنتاج الهيدروجين الأخضر. باستخدام هذه الإمكانية، يحاكون أسطح الأكاسيد تحت ظروف التفاعل، متوقعين الاستقرار دون أسابيع من حسابات DFT. هذا يقلل وقت التطوير بشكل كبير.

في المستقبل، دمج المغناطيسية وتباين الأكسجين يُمهد لنمذجة متعددة المقاييس في التحفيز الكاتاليتي غير المتجانس. مع مجموعات بيانات مثل OC20/OC22 لأكاسيد المعادن، يمكن تحسين الماصات على أسطح أكاسيد الحديد، مما يدعم تقليل ثاني أكسيد الكربون وخلايا الوقود.

بالنسبة للباحثين في جميع أنحاء العالم، يعني ذلك توفير المحاكيات عالية الدقة. يمكن لطالب دراسات عليا في مختبر متواضع الآن استكشاف انتقالات مراحل أكاسيد الحديد، مما يعزز الابتكارات التي تفيد المجتمعمن الطاقة النظيفة إلى البنى التحتية الدائمة. مع تطور الإمكانيات، نتوقع نماذج هجينة تجمع MTP وACE وMLIPs لتطبيقات أوسع.

تبقى التحديات مثل التمديد إلى ضغوط عالية أو عيوب ديناميكية، لكن الاتجاه واضح: التعلم الآلي يُعيد تعريف علم المواد الحاسوبي.