Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Machine-learned Atomic Descriptors combined with TENSOR Networks unlocks predictive computational design of alloys

Descrizione del progetto

Descrittori atomici per leghe basati su reti tensoriali ad apprendimento automatico

Le leghe metalliche sono alla base di molte tecnologie moderne e sono in atto immensi sforzi per sviluppare una migliore comprensione che consenta di guidarne l’innovazione. Gli esperimenti possono fornire solo informazioni limitate alle scale necessarie, richiedendo simulazioni atomistiche per comprendere i meccanismi chiave su scala nanometrica. I potenziali di apprendimento automatico hanno rappresentato una svolta per fornire l’accuratezza quantitativa della meccanica quantistica alle simulazioni atomistiche; ciononostante, non ne esiste alcuno universale che possa essere quantitativo per l’intero spazio di composizione, a causa della limitata accuratezza ed efficienza computazionale a disposizione. Il progetto MAD-TENSOR, finanziato dal CER, svilupperà una nuova architettura per i potenziali utilizzando le reti tensoriali, il che permetterà di superare le sfide principali affrontate dagli attuali potenziali di apprendimento automatico.

Obiettivo

"Metallic alloys form the backbone of modern infrastructure and technology in our society. Hence, alloys must be understood, not only by their macroscopic behavior, but rather through consideration of the interactions between many length scales, from angstroms to meters. In general, understanding cannot be developed by experiments alone, beyond observations of snapshots, but must be combined with atomistic simulations that can provide a deeper understanding of the nanoscale mechanisms that govern the dynamics observed in experiments.

Machine-learning potentials (MLIPs) have been a breakthrough for providing the quantitative accuracy of quantum mechanics to atomistic simulations, required to predict the correct mechanisms. However, developing a universal MLIP that is quantitative over the whole composition space has thus far not been achieved. Current available approaches lack either computational efficiency or accuracy. Another breakthrough is required.

To address these challenges, I propose to develop a novel architecture for potentials, equivariant tensor networks (ETNs), based on low-rank representations of high-dimensional tensors to reduce the number of parameters in approximating multidimensional functions. The two distinguishing features of ETNs that are key for developing predictive universal potentials are
(i) high-dimensional convolutions represented using low-rank tensor networks,
(ii) their factorization into small, equally-sized, but highly repetitive, operations which are lucrative for massive parallelization on modern HPC architectures, such as GPUs.
Moreover, ETNs will allow to solve two additional urgent problems:
(a) efficiently adding magnetic degrees freedom to the MLIP's functional form to compute magnetic properties with atomistic simulations,
(b) the creation of an ""averaged"" ETN potential that allows to compute material properties of random alloys without requiring sampling over thousands of simulations of the true random alloy."

Campo scientifico (EuroSciVoc)

CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: Il Vocabolario Scientifico Europeo.
La classificazione di questo progetto è stata convalidata da un essere umano.

Parole chiave

Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).

Programma(i)

Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.

Argomento(i)

Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.

Meccanismo di finanziamento

Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.

(si apre in una nuova finestra) ERC-2025-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

MATERIALS CENTER LEOBEN FORSCHUNG GMBH
Contributo netto dell'UE

Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.

€ 1 498 705,00
Indirizzo
VORDERNBERGER STRASSE 12
8700 LEOBEN
Austria

Mostra sulla mappa

PMI

L’organizzazione si è definita una PMI (piccola e media impresa) al momento della firma dell’accordo di sovvenzione.

Regione
Südösterreich Steiermark Östliche Obersteiermark
Tipo di attività
Research Organisations
Collegamenti
Costo totale

I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.

€ 1 498 705,00

Beneficiari (1)

Il mio fascicolo 0 0