Международный коллектив исследователей при участии молодых учёных 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. Исходный код, датасет и веса модели доступны в репозитории под открытой лицензией.
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.
Учёным за последние годы удалось синтезировать много видов двумерных материалов, однако их свойства до сих пор изучены мало. Это связано с отличительной особенностью двумерных материалов — наличием дефектов в структуре, которые могут сильно влиять на их характеристики.
Дефекты могут появляться случайным образом в процессе производства — очень сложно изготовить крупные листы графена и его аналогов без разрывов или складок. Но бывает, что учёные намеренно хотят заменить один атом другим или убрать какой-то атом из соединения, чтобы посмотреть, что при этом произойдет с материалом. Таким образом, определённая 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 Университета «Констрактор» в Бремене (Германия) 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», — объясняет один из авторов исследования, аспирант Научно-учебной лаборатории методов анализа больших данных Абдалазиз Рашид Халид Аль-Маини.
«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», — уточняет другой соавтор, стажер-исследователь факультета компьютерных наук НИУ ВШЭ Игнат Романов.
«С помощью нашей модели мы отвечаем на вопрос, какой материал нужно произвести для определённой 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», — подчеркивает научный сотрудник Института умных и функциональных материалов Национального университета Сингапура, выпускник факультета компьютерных наук НИУ ВШЭ Никита Казеев.
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 определённые высокотехнологичные решения.
IQ