Исследовательская группа из Сколтеха, AIRI, Томского политехнического университета и Сбера предложила и протестировала подход к прогнозированию изменения свойств материалов. Модели искусственного интеллекта, предварительно обученные на небольшом объёме данных, позволили значительно увеличить количество расчётов энергии образования в возможных конфигурациях высшего борида вольфрама, легированного другими металлами.
Метод, применимый и к другим веществам, представлен в журнале npj Computational Materials.
Учёные-материаловеды продолжают искать новые материалы для гражданского и промышленного применения. Достижения в области вычислительных методов позволяют предсказывать кристаллическую структуру и свойства материалов, тогда как традиционные экспериментальные поиски химических модификаций занимают много времени и не всегда эффективны.
Использование подходов моделирования напрямую связано с трудностями из-за множества возможных реализаций кристаллической структуры материала, особенно если они неупорядочены. На помощь учёным приходит машинное обучение, которое позволяет предсказывать целевые свойства различных материалов, используя ограниченные наборы обучающих данных.
Недавно графовые нейронные сети зарекомендовали себя как ценный инструмент в этой области, предлагая возможность предварительного обучения на всех доступных данных в теоретическом материаловедении и последующей тонкой настройки с использованием ограниченного набора обучающих данных.
В новой работе исследователи предложили подход к прогнозированию свойств материалов, который реализует такую тонкую настройку, но требует лишь небольшого количества дополнительных расчётов с использованием теории функционала электронной плотности благодаря интеллектуальному подбору дополнительных образцов.
Исследование направлено на решение проблемы неполных наборов данных для структур с модификациями химического состава и повышение оценки термодинамической стабильности в поисках функциональных материалов с использованием гибридных подходов машинного обучения.
Команда протестировала новый подход на поиске оптимального легирующего элемента (металла-заменителя) для пентаборида вольфрама.
Профессор Александр Квашнин из Центра энергетических переходов Сколтеха сказал: «Ранее мы уже разработали метод получения пентаборида вольфрама в порошковой форме, важного аналога дорогостоящих соединений для жаропрочной керамики, бурового оборудования в нефтегазовой промышленности».
«В новой работе мы решили протестировать новый подход на образцах этого соединения. Сначала мы выбрали, какие металлы могут дополнить его структуру и сформировать тройное легированное соединение для улучшения его механических свойств».
«Затем мы поняли, что экспериментально можно рассмотреть лишь несколько возможных концентраций легирующих элементов, а расчёт всех конфигураций занимает очень много времени. На основе нашего небольшого набора данных мы обучили модель, которая довольно быстро предсказала энергию образования всех возможных конфигураций легирования с восемью переходными металлами».
В общей сложности учёные предсказали термодинамические свойства около 375 тысяч структурных конфигураций на выборке всего из 200 результатов квантово-механических расчётов.
Подход выявил наиболее перспективные соединения с улучшенными механическими свойствами — пентаборид вольфрама, легированный танталом в процентном соотношении 20–60%. Авторы показали, что современные модели искусственного интеллекта могут определять корреляции между составом, свойствами и структурой материалов. Это открывает перспективы для распространения предложенного подхода.
Роман Ерёмин, ведущий научный сотрудник группы «Дизайн новых материалов» в Институте AIRI, сказал: «Вместо того чтобы пытаться рассмотреть все варианты, мы разработали стратегию последовательного включения в обучение графовой нейронной сети только тех структур, где она допускала наибольшие ошибки».
«Это снизило комбинаторную сложность задачи, позволив нам достичь приемлемого качества предсказаний для 200 обучающих структур. Обученная модель позволила проанализировать всех легирующих элементов всего за несколько дней и выбрать наиболее перспективные с точки зрения экспериментальной проверки».
«Важно отметить, что, хотя разработанный подход был применён к высшим боридам, он не ограничен каким-либо классом соединений и может быть использован для поиска новых представителей в любом другом классе функциональных материалов».