На атомных станциях образуется Технеций-99 — радиоактивный долгоживущий продукт деления урана и плутония, на который приходится около 6% всех продуктов деления. При захоронении ядерных отходов он способен растворяться и мигрировать с подземными водами. Для снижения рисков необходимо разрабатывать технологичные способы обращения с ним.
Tc-99 можно хранить в углеродной матрице, где он образует стабильные карбиды и надежно фиксируется. Но можно пойти дальше и использовать карбиды в качестве мишеней в нейтронном потоке, постепенно превращая технеций-99 в стабильный изотоп рутения-100. После этого Рутений может быть использован в микроэлектронике и в качестве катализатора.
В новой работе https://doi.org/10.1016/j.actamat.2025.121704 ученые Сколтеха, Института AIRI и Сбербанка совместно с коллегами из РХТУ и ИФХЭ РАН разработали ML-модель, предсказывающую термодинамические свойства заданной атомной конфигурации технеция и углерода. На основе ее предсказаний удалось построить фазовую диаграмму системы Tc–C в координатах «температура – содержание углерода», отвечающую на вопрос, какие фазы технеция термодинамически выгодны в тех или иных условиях.
Из-за высокой радиоактивности лабораторные эксперименты с Tc-99 сильно ограничены. В одной из крупнейших открытых баз данных по расчетным свойствам материалов для системы Tc–C исследователи нашли всего несколько сотен структур, которые оказались нестабильными. Тем временем нужно было рассмотреть сотни тысяч возможных атомных конфигураций и определить их свойства. Если бы расчеты делались стандартными квантово-механическими методами, это потребовало бы много лет процессорного времени.
Разработанный в AIRI гибридный подход помог существенно сократить затраты по времени. Исследователи провели точные расчеты только для небольшой репрезентативной выборки конфигураций (менее 0,2% из общего числа), а затем обучили на этих данных нейросеть.
После обучения алгоритм смог быстро просканировать все пространство структур с ошибкой на уровне нескольких миллиэлектронвольт на атом. Это и позволило достоверно выделить наиболее устойчивые варианты и редкие конфигурации, вероятность случайно обнаружить которые составляла бы 1 шанс на 10000 или даже 1 шанс на миллион.
«Ранее мы уже использовали аналогичные подходы для изучения функциональных материалов и даже прогнозирования новых составов. В настоящей работе удалось наглядно продемонстрировать, что исключение элемента случайности в рамках вычислительных подходов, основанных на машинном обучении, не просто ускоряет прогноз свойств, а позволяет учитывать самые редкие структуры, которые легко можно пропустить, действуя случайно», — отмечает Роман Еремин, руководитель научной группы Дизайн новых материалов Института AIRI.