Искусственные нейронные сети – алгоритмы, предназначенные для репликации связей между нейронами в мозге – «научились» выполнять множество задач, от обнаружения пешеходов в самоуправляемых автомобилях, до анализа медицинских изображений и языкового перевода. Теперь исследователи из Калифорнийского университета в Сан-Диего обучают искусственные нейронные сети для прогнозирования новых стабильных материалов.
«Предсказание стабильности материалов является центральной проблемой в материаловедении, физике и химии», – говорит старший автор исследования Шуий Пин Онг, профессор наноинженерии в Инженерной школе Ирвин и Джоан Джейкобс. «С одной стороны, у вас есть традиционная химическая интуиция, такая как пять Правил Линуса Полинга, которые описывают стабильность кристаллов с точки зрения радиусов и упаковки ионов. С другой стороны, у вас есть дорогостоящие квантово-механические вычисления для расчёта энергии, получаемой от образования кристалла, которые должны быть выполнены на суперкомпьютерах. Мы сделали так, чтобы использовать искусственные нейронные сети для соединения этих двух миров».
Обучая искусственные нейронные сети предсказывать энергию образования кристалла, задавая только два фактора – электроотрицательность и ионный радиус входящих в молекулу атомов – Онг и его команда в Виртуальной Лаборатории Материалов (Materials Virtual Lab) разработали модели, которые могут идентифицировать стабильные материалы в двух классах кристаллов, известных как гранаты и перовскиты. Эти модели до 10 раз более точные, чем предыдущие модели машинного обучения, и достаточно быстры, чтобы эффективно отображать тысячи материалов за считанные часы на ноутбуке.
«Эти материалы используются в светодиодных лампах, перезаряжаемых литиево-ионных батареях и солнечных батареях. Эти нейронные сети обладают потенциалом значительно ускорить открытие новых материалов для этих и других важных областей применения», – уверены исследователи.
Команда сделала свои модели доступными через веб-приложение, что позволяет и другим людям использовать эти нейронные сети для расчета энергии образования любой композиции граната или перовскита. В настоящее время исследователи планируют попробовать применить нейронные сети к другим кристаллическим прототипам, а также к другим свойствам материалов.
