Российские ученые предсказали новые сверхтвердые материалы с помощью машинного обучения

Сотрудники Сколковского института науки и технологий (Сколтех) применили методы машинного обучения для предсказания сверхтвердых веществ по кристаллической структуре. Результаты исследования опубликованы в журнале Journal of Applied Physics, сообщила в среду пресс-служба вуза.

"В этой работе с помощью машинного обучения мы рассчитали твердость и трещиностойкость для более 120 тысяч известных и гипотетических кристаллических структур - для большинства из которых эти свойства никогда не изучались. Наша модель подтверждает, что алмаз является самым твердым из известных веществ, но также указывает на несколько десятков других потенциально высокотвердых или сверхтвердых материалов", - сказал профессор Сколтеха и МФТИ Артем Оганов, слова которого приводятся в сообщении.

Сверхтвердые материалы важны во многих отраслях, от добычи нефти до высокотехнологичных производств. Главные свойства таких материалов - твердость и трещиностойкость, то есть способность сопротивляться развитию трещин.

Используя современные методы вычислительного материаловедения, материалы с необходимыми свойствами можно находить на компьютере. Но чтобы применить эти методы к сверхтвердым материалам, необходима хорошая теоретическая модель, которая бы позволила вычислять соответствующие свойства.

Такую модель создал аспирант Центра энергетических технологий Сколтеха Ефим Мажник под руководством Артема Оганова. Для этого он предложил использовать сверточные нейронные сети на графах - метод машинного обучения, позволяющий предсказывать свойства материала по его кристаллической структуре. Используя набор материалов с заранее известными свойствами, такие сети можно научить вычислять эти свойства для структур, которых они ранее не видели.

"Поскольку экспериментальных данных по твердости и трещиностойкости недостаточно для полноценного обучения таких моделей, мы использовали промежуточные свойства - упругие модули, данных по которым гораздо больше. Предсказывая значения таких модулей, мы смогли получить и искомые свойства, используя ранее созданную нами физическую модель", - сказал Ефим Мажник, слова которого приводятся в сообщении.