Аддитивные технологии

Искусственный интеллект предсказал новые соединения с улучшенными свойствами

Группа исследователей из Сколтеха, AIRI, ТПУ и Сбера разработала и протестировала инновационный подход к прогнозированию модификаций свойств материалов. Благодаря применению моделей ИИ, обученных на ограниченном объеме данных, удалось значительно ускорить вычисления энергий образования различных конфигураций высшего борида вольфрама с добавлением других металлов. Результаты работы, применимые и к другим веществам, опубликованы в журнале npj Computational Materials.

Традиционный поиск новых материалов для промышленности и гражданского применения – процесс долгий и не всегда успешный. Компьютерные методы позволяют прогнозировать кристаллическую структуру и свойства, однако сложность возникает из-за огромного числа возможных реализаций, особенно для неупорядоченных структур.

Здесь на помощь приходит машинное обучение, позволяющее предсказывать целевые свойства материалов на основе ограниченных данных. Особую роль играют нейронные сети с геометрическими графами, позволяющие проводить предварительное обучение на обширных данных теоретического материаловедения и последующую доводку на специфических данных.

В новом исследовании ученые предложили подход, использующий такое дообучение, но требующий небольшого количества дополнительных вычислений в рамках теории функционала плотности, благодаря интеллектуальному отбору дополнительных примеров. Целью является улучшение оценки термодинамической стабильности при поиске функциональных материалов. Новый подход протестирован на примере поиска оптимального допанта для пентаборида вольфрама.

По словам профессора Александра Квашнина, ученым удалось предсказать термодинамические свойства сотен тысяч структурных конфигураций, используя лишь небольшую выборку результатов квантово-механических расчетов. Подход позволил выявить перспективные соединения с улучшенными механическими свойствами, такие как пентаборид вольфрама, допированный танталом.

Роман Еремин отметил, что разработанная схема позволяет анализировать все допанты за короткий срок и выбирать наиболее перспективные для экспериментальной проверки. Метод не ограничивается конкретным классом соединений и может применяться для поиска новых функциональных материалов.

В ТПУ был проведен синтез образцов без использования вакуума, а также их изучение с помощью современных аналитических методов. Александр Пак подчеркнул простоту и экономичность используемого метода.

Семен Буденный отметил, что проект демонстрирует возможности нейросетей для решения научных задач, в частности, поиска новых функциональных материалов. Разработка соединений с улучшенными механическими свойствами открывает перспективы для различных отраслей экономики.

👍1

www.tgoop.com/additiv_tech/651

238 viewsedited  Jun 5 at 08:10

Искусственный интеллект предсказал новые соединения с улучшенными свойствами

Группа исследователей из Сколтеха, AIRI, ТПУ и Сбера разработала и протестировала инновационный подход к прогнозированию модификаций свойств материалов. Благодаря применению моделей ИИ, обученных на ограниченном объеме данных, удалось значительно ускорить вычисления энергий образования различных конфигураций высшего борида вольфрама с добавлением других металлов. Результаты работы, применимые и к другим веществам, опубликованы в журнале npj Computational Materials.

Традиционный поиск новых материалов для промышленности и гражданского применения – процесс долгий и не всегда успешный. Компьютерные методы позволяют прогнозировать кристаллическую структуру и свойства, однако сложность возникает из-за огромного числа возможных реализаций, особенно для неупорядоченных структур.

Здесь на помощь приходит машинное обучение, позволяющее предсказывать целевые свойства материалов на основе ограниченных данных. Особую роль играют нейронные сети с геометрическими графами, позволяющие проводить предварительное обучение на обширных данных теоретического материаловедения и последующую доводку на специфических данных.

В новом исследовании ученые предложили подход, использующий такое дообучение, но требующий небольшого количества дополнительных вычислений в рамках теории функционала плотности, благодаря интеллектуальному отбору дополнительных примеров. Целью является улучшение оценки термодинамической стабильности при поиске функциональных материалов. Новый подход протестирован на примере поиска оптимального допанта для пентаборида вольфрама.

По словам профессора Александра Квашнина, ученым удалось предсказать термодинамические свойства сотен тысяч структурных конфигураций, используя лишь небольшую выборку результатов квантово-механических расчетов. Подход позволил выявить перспективные соединения с улучшенными механическими свойствами, такие как пентаборид вольфрама, допированный танталом.

Роман Еремин отметил, что разработанная схема позволяет анализировать все допанты за короткий срок и выбирать наиболее перспективные для экспериментальной проверки. Метод не ограничивается конкретным классом соединений и может применяться для поиска новых функциональных материалов.

В ТПУ был проведен синтез образцов без использования вакуума, а также их изучение с помощью современных аналитических методов. Александр Пак подчеркнул простоту и экономичность используемого метода.

Семен Буденный отметил, что проект демонстрирует возможности нейросетей для решения научных задач, в частности, поиска новых функциональных материалов. Разработка соединений с улучшенными механическими свойствами открывает перспективы для различных отраслей экономики.

BY Аддитивные технологии