Российские ученые тренируют искусственный интеллект предсказывать свойства новых материалов

Исследовательская группа Сколковского института науки и технологий, института искусственного интеллекта AIRI, Томского политехнического университета и Сбера предложила и протестировала подход к предсказанию возможностей модификации свойств материалов. Методика позволит быстро и эффективно рассчитывать свойства новых материалов для множества отраслей, включая аддитивные технологии.

Благодаря моделям искусственного интеллекта, специально обученным на небольшом количестве данных, удалось значительно ускорить расчет энергий образования возможных конфигураций высшего борида вольфрама, допированного другими металлами, сообщает пресс-служба Сколтеха.

Ученые-материаловеды продолжают поиск новых материалов для гражданского и промышленного применения. Достижения в области вычислительных методов позволяют прогнозировать кристаллическую структуру и свойств, в то время как традиционный экспериментальный поиск химических модификаций занимает много времени и не всегда эффективен. В то же время возникают трудности при непосредственном использовании модельных подходов из-за большого числа возможных реализаций кристаллической структуры материалов, особенно если они не упорядочены.

На помощь ученым приходит машинное обучение, позволяющее прогнозировать целевые свойства различных материалов с использованием ограниченных наборов обучающих данных. В последнее время в этой области себя зарекомендовали нейронные сети с геометрическими графами (Graph Neural Networks), обеспечивающие возможность как предварительного обучения на всех доступных в области теоретического материаловедения данных, так и дополнительного обучения с использованием специфичных для решаемой задачи данных.

В новой работе исследователи предложили подход к предсказанию свойств материалов, который реализует такое дополнительное обучение, но при этом требует лишь малого числа дополнительных расчетов в рамках теории функционала электронной плотности благодаря интеллектуальному отбору дополнительных примеров. Цель исследования — решить проблему с неполными наборами данных структур с модификациями химического состава и улучшить оценку термодинамической стабильности при поиске функциональных материалов в рамках гибридных подходов с применением машинного обучения. Проверили новый подход на поиске оптимального допанта (металла-заместителя) для пентаборида вольфрама.

«Ранее мы уже разработали метод получения пентаборида вольфрама в виде порошка — важного аналога дорогостоящих соединений для жаропрочных керамических изделий, бурового оборудования в нефтегазовой отрасли. В новой работе мы решили проверить новый подход на примере этого соединения. Сначала мы выбрали какие металлы могут дополнить его структуру и образовать тройное допированное соединение для улучшения механических характеристик. Затем мы поняли, что экспериментально можем рассмотреть лишь несколько возможных концентраций допантов, а расчеты всех конфигураций занимают очень много времени. На основе нашего небольшого набора данных мы обучили модель, которая довольно быстро предсказывала энергии образования всех возможных конфигураций допирования восемью переходными металлами», — рассказал профессор проектного центра по энергопереходу Сколтеха Александр Квашнин.

В общей сложности ученым удалось предсказать термодинамические свойства примерно в трехстах семидесяти пяти тысячах структурных конфигураций на выборке из всего двухсот результатов квантово-механических расчетов. Подход выявил наиболее перспективные соединения с улучшенными механическими свойствами — пентаборид вольфрама, допированный танталом от 20% до 60 %. Авторы показали, что современным моделям искусственного интеллекта под силу определять корреляции между составом, свойствами и структурой материалов. Это открывает перспективы для расширения предложенного подхода.

«В построенном нами пространстве поиска прямое использование квантово-механических расчетов могло бы занять годы. Вместо перебора всех вариантов мы разработали схему последовательного включения в обучение графовой нейронной сети только тех структур, на которых она ошибалась сильнее всего. Это снизило комбинаторную сложность задачи, позволив добиться приемлемого качества прогнозов уже для двухсот тренировочных структур. В результате обученная модель позволила проанализировать все допанты всего лишь за несколько дней и выбрать наиболее перспективные из них с точки зрения экспериментальной проверки. Важно подчеркнуть, что хотя разработанный подход был применен к высшим боридам, по построению он не ограничен каким-либо классом соединений и может быть использован для поиска новых представителей в любом другом семействе функциональных материалов», — пояснил ведущий научный сотрудник группы «Дизайн новых материалов» института AIRI Роман Еремин.

Синтез образцов провели безвакуумным электродуговым методом в Томском политехническом университете. Проведены серии экспериментов в различных условиях синтеза для получения предсказанных структур. Синтезированные материалы изучены современными аналитическими методами.

«Разработанный в Томском политехническом университете безвакуумный электродуговой метод и специализированный атмосферный плазменный реактор характеризуются простотой эксплуатации и относительно низкой стоимостью. Оборудование подходит для быстрого тестирования гипотез о возможности существования того или иного спрогнозированного соединения, в данном случае высшего борида вольфрама, допированного танталом, а современное аналитическое оборудование позволяет выстраивать доказательную базу, исследовать структуру, морфологические и прочие особенности продуктов, оценивать свойства полученных материалов», — рассказал заведующий лабораторией перспективных материалов энергетической отрасли, профессор отделения электроэнергетики и электротехники Томского политехнического университета Александр Пак.

«Реализованный проект наглядно демонстрирует возможности современных нейросетевых архитектур для решения прикладных научных задач, в частности поиска новых функциональных материалов. Разработка соединений с улучшенными механическими свойствами открывает перспективы для множества отраслей. Таким образом, появляются возможности по реализации дальнейших шагов в части создания экспериментальных образцов и их апробации в реальных производственных процессах. Мы ожидаем, что полученные результаты будут востребованы в реальном и других секторах экономики», — прокомментировал начальник управления перспективных технологий искусственного интеллекта Сбербанка, научный консультант AIRI Семен Буденный.

Доклад научной команды опубликован в журнале NPJ Computational Materials.

А у вас есть интересные новости? Поделитесь с нами своими разработками, и мы расскажем о них всему миру! Ждем ваши идеи по адресу news@3Dtoday.ru.