Международный коллектив исследователей при участии молодых ученых факультета компьютерных наук и Центра искусственного интеллекта НИУ ВШЭ разработал алгоритм машинного обучения, который определяет свойства новых двумерных материалов с дефектами. Новый метод работает в 1000 раз быстрее квантово-механических расчетов и в 3,7 раза точнее других алгоритмов машинного обучения. Результаты работы опубликованы в журнале npj Computational Materials
Двумерные материалы переживают сейчас свой расцвет. Они представляют собой тончайшую кристаллическую решетку толщиной всего в один или несколько атомов. Когда слой кристалла становится настолько тонким, меняются связи между его соединениями, и материал начинает проявлять уникальные электрохимические свойства.
Самый известный пример — графен, представляющий собой монослой углерода. Об уникальных свойствах графена писали много: он удивительно прочный, гибкий, прозрачный, обладает высокой электро- и теплопроводностью, а также рекордной подвижностью носителей заряда. Сочетание всех этих свойств делает графен, а также другие двумерные материалы идеальными кандидатами для использования в высокотехнологичных областях. Так, двумерные материалы уже активно применяются при производстве транзисторов, датчиков, биосенсоров, солнечных панелей, ультратонких линз, высокочувствительных экранов и др.
Несмотря на то что ученым за последние годы удалось синтезировать много видов двумерных материалов, свойства их до сих пор изучены мало. Это связано с отличительной особенностью двумерных материалов — наличием дефектов в структуре, которые могут сильно влиять на их свойства. Дефекты могут появляться случайным образом в процессе производства: например, очень сложно изготовить крупные листы графена и его аналогов без разрывов, складок и других дефектов. Но бывает, что ученые намеренно хотят заменить один атом другим или убрать какой-то атом из соединения, чтобы посмотреть, что при этом произойдет с материалом. Таким образом, определенная комбинация дефектов может помочь получить желаемые свойства и создать новый материал, например, для эффективных солнечных панелей.
Исследователи факультета компьютерных наук и Центра искусственного интеллекта НИУ ВШЭ совместно с коллегами из Иннополиса, Национального университета Сингапура и бременского университета «Констрактор» разработали алгоритм машинного обучения, который позволяет очень быстро и точно предсказывать свойства двумерных материалов, основываясь на анализе их дефектов. Основное отличие нового алгоритма от других существующих моделей в том, что он позволяет работать сразу с комплексом дефектов и анализировать их конфигурацию в материале, тогда как другие известные методы, времязатратные и дорогостоящие, предполагают последовательный анализ каждого отдельного дефекта.
« Наш алгоритм может работать сразу с несколькими дефектами. При этом он анализирует исключительно дефекты, а не все атомы в структуре, как это делают другие модели. Именно поэтому он работает в 1000 раз быстрее квантово-механических расчетов и в 3,7 раза точнее своих аналогов »
Абдалазиз Рашид Халид Аль-Маини
автор исследования, аспирант Научно-учебной лаборатории методов анализа больших данных
« За последние годы благодаря большому количеству исследований появились хорошие базы данных по двумерным материалам, что дало возможность использовать методы машинного обучения для решения задач в этой области. Наш алгоритм был предобучен на большом количестве образцов и позволяет сказать, как именно такое расположение дефектов повлияет на свойства материала »
Игнат Романов
автор исследования, стажер-исследователь факультета компьютерных наук НИУ ВШЭ
«С помощью нашей модели мы отвечаем на вопрос, какой материал нужно произвести для определенной задачи. Например, нам интуитивно покажется, что если взять нитрид бора и заменить 3% атомов на атомы углерода, а 2% атомов "выбить", то получится хорошая солнечная батарея. С помощью алгоритма мы можем быстро эту гипотезу проверить. Мы не можем обещать, что идея точно сработает, но зато мы можем отвергнуть много вариантов, которые точно не сработают», — рассказывает Никита Казеев из Института умных и функциональных материалов Национального университета Сингапура, выпускник факультета компьютерных наук НИУ ВШЭ.
Предложенная модель — важный шаг на пути развития инженерии дефектов двумерных материалов. И хотя нейронные сети не способны придумать что-то принципиально новое, поскольку обучаются на уже существующих данных, они могут быстро и эффективно обобщать информацию. По мнению авторов, следующим этапом исследования станет модель, которая на основе анализа материалов и возможных конфигураций дефектов будет предлагать потенциальных новых кандидатов под определенные высокотехнологичные решения.
Код, данные и веса моделей доступны в репозитории под открытой лицензией.
Все выпуски журнала «ЭкоГрад» в электронной версии читайте на pressa.ru,
Бумажные экземпляры спецвыпусков и книги В. Климова можно приобрести на OZON
