Открытие с ускорит разработку солнечных батарей, светодиодов, полупроводниковых лазеров, фотодетекторов и других оптоэлектронных устройств на основе двумерных материалов. Авторы научной работы, опубликованной в журнале Nature: Portfolio Computational Materials, — лауреат Нобелевской премии по физике Константин Новосёлов, ректор и сотрудники Университета Иннополис, Высшей школы экономики и эксперты Национального университета Сингапура.
Исследователи предложили использовать разреженное представление в сочетании с методом машинного обучения на основе графовых нейросетей MEGNet. Учёные сосредоточились на предсказании свойств 2D-материалов, или двумерных кристаллов, — плоских однослойных материалов. Двумерная природа делает материалы склонными к химической модификации, что помогает задавать им необходимые характеристики: электропроводность, оптические и каталитические свойства.
По словам исследователей, изучение и прогнозирование двумерных кристаллов и их сочетание с дефектами, замещениями и вакансиями — будущее дизайна материалов. 2D-материалы используют в медицине, нефтегазовой промышленности, построении фотооптических систем и создании электронных компонентов — внося изменения в структуру атомов таких материалов можно превращать диэлектрики в полупроводники, что ускоряет передачу электрических зарядов. Один из самых известных двумерных материалов — графен, открытый Константином Новосёловым и Андреем Геймом в 2004 году.
Решение, предложенное учёными из России, — использовать в проектировании новых материалов способ машинного обучения, а именно разреженное представление — репрезентацию кристаллических структур с дефектами, где создается подграф из дефектов с виртуальными атомами. Научные сотрудники обучили нейросети на базе данных с 3 000 посчитанными материалами и 7 000 дефектами с высокой плотностью из их предыдущей научной работы, опубликованной в журнале Nature 2D Materials.
Руслан Лукин, руководитель Лаборатории искусственного интеллекта в новых материалах Университета Иннополис: «Для алгоритмов геометрического глубокого обучения атомарная структура вещества представляет собой набор вершин графа в трёхмерном пространстве. Каждая вершина имеет вектор свойств, который содержит атомный номер, а также может включать в себя больше физических характеристик, например, радиус или количество валентных электронов. Структуры с единичными или несколькими отклонениями в строении атомной решётки — дефектами представляют собой проблему для алгоритмов машинного обучения, так как окрестности большинства атомов не затронуты точечными дефектами и из-за этой разницы в полных структурах трудно обучить нейросети прогнозировать новые материалы. Мы предлагаем способ представления структур с дефектами, который упрощает задачу прогнозирования свойств для алгоритмов машинного обучения — вместо того, чтобы рассматривать кристаллическую структуру как точечное облако атомов, мы рассматриваем её как точечное облако дефектов. Для его получения берём структуру с дефектами, удаляем все атомы, не затронутые дефектами замещения, и добавляем виртуальные атомы на места вакансий».
Научные сотрудники выяснили, что обучение нейросети с использованием разреженного представления совместим с любыми графовыми нейронными сетями, требует в 4 раза меньше памяти компьютера и в 8 раз меньше операций графического процессора по сравнению с полным представлением. Предложенный метод также в десятки тысяч раз ускоряет расчёт свойств дефектов по сравнению с теорией функционала плотности DFT.
Александр Тормасов, ректор Университета Иннополис: «Архитектура MEGNet с разреженным представлением свойств позволила предсказывать квантовую осцилляцию в двумерных дефектах — это помогает рассчитать их свойства в сильном магнитном поле. Мы с коллегами планируем продолжить исследования в этой научной области. Перспективными считаем прогнозирование свойств комплексных дефектов в новых двумерных материалах без необходимой подготовки обучающего набора данных с дефектами в этих новых материалах и построение двумерных материалов с заранее заданным набором свойств».
Описание предложенного учёными из России и Сингапура метода поиска новых материалов опубликовал научный журнал Nature: Portfolio Computational Materials в статье «Разреженное представление графов для машинного обучения для предсказания свойств дефектов в 2D-материалах» (Sparse representation for machine learning the properties of defects in 2D materials).
