В последние несколько лет достигнут существенный прогресс в атомистическом моделировании материалов, связанный с применением методов машинного обучения для построения классических межатомных потенциалов взаимодействия. Такие потенциалы представляют собой многочастичные функции с большим количеством варьируемых параметров, значения которых оптимизируются с использованием энергий и сил, вычисленных для различных атомных конфигураций с помощью ab initio-методов. В данной работе мы разработали потенциал машинного обучения на основе глубоких нейронных сетей (DP) для сплавов Al-Cu и сравнили его точность и производительность c потенциалом погруженного атома (2NN-MEAМ). Анализ полученных результатов позволяет заключить, что разработанный DP обеспечивает достаточно высокую точность расчета структурных, термодинамических, транспортных свойств сплавов Al-Cu как в твердом, так и в жидком состояниях во всем диапазоне составов и широком интервале температур. При этом точность MEAM при расчете тех же свойств в целом заметно ниже. Было показано, что использование потенциалов на основе нейронных сетей при моделировании на современных графических процессорах позволяет добиться производительности расчетов одного порядка c МЕАМ-вычислениями, что, как минимум, на 4 порядка выше вычислительной эффективности ab initio-расчетов. Важнейшим результатом явился вывод о возможности применения DP, параметризованных с использованием конфигураций, соответствующих расплавам и идеальным кристаллам, для моделирования структурных дефектов в кристаллах и межфазных поверхностей.
