Разработка новых полупроводников с помощью нейросетей
Поиск и исследование новых химических соединений с множеством неизвестных свойств стало возможным благодаря использованию вычислительных методов. Это открытие способно привнести революционные изменения в различные области, включая решение экологических проблем и создание новых лекарств. В данной статье мы расскажем о том, как машинное обучение активно применяется в создании новых полупроводниковых материалов.
Началом современной физической электрохимии можно считать 1986 год, когда инженеры IBM обнаружили низкотемпературную сверхпроводимость у некоторых керамических соединений. Это открытие свидетельствовало о том, что синтетические материалы при определенных условиях проявляют уникальные свойства, такие как изменение температуры плавления, сверхпроводимость, а также электронные характеристики, которые важны для полупроводников и изоляторов. Однако такие материалы, особенно в практических диапазонах температур и давлений, являются редкостью, так как для их образования требуется совпадение множества физико-химических параметров.
Для поиска новых химических соединений применяются два основных метода: теория функционала плотности (Density Functional Theory, DFT) и предсказание кристаллической структуры (Crystal Structure Prediction, CSP). DFT используется для расчета электронной структуры молекул, в то время как CSP предсказывает параметры кристаллической решетки вещества.
Однако недавно появился новый класс методов, основанный на алгоритмах машинного обучения. Эти модели создаются на основе данных, полученных из экспериментов, таких как OQMD, Materials Project и AFLOWlib, и позволяют прогнозировать химические свойства материалов с желаемыми характеристиками.
Тем не менее, у таких методов есть некоторые недостатки. Одна из главных проблем заключается в том, что они часто предсказывают химический состав соединения, но не предоставляют информацию о его кристаллической структуре. Знание расположения атомов в кристаллической решетке является необходимым условием для дальнейших вычислений и исследований. Поэтому было решено разработать методы, которые позволяют получать такую информацию.
Группа исследователей объединила две модели машинного обучения для решения этой проблемы. Первая модель прогнозирует свойства материалов на основе их химического состава, в то время как вторая модель предсказывает термодинамическую стабильность (энтальпию) и ширину запрещенной зоны с помощью метода минимальных скачков (Minima Hopping Method, MHM). При этом вторая модель использует входные данные химического состава, полученные из первой модели, и оптимизирует потенциальную энергию.
Заключение
Методы машинного обучения стали мощным инструментом для анализа баз данных и отбора перспективных химических структур. Эти алгоритмы позволяют визуализировать химические пространства и автоматизировать процесс отбора наиболее перспективных материалов. Результаты работы исследователей позволяют увидеть распределение новых и неизученных соединений относительно существующих, а также исследовать их перспективные свойства. Применение машинного обучения в химии содействует более быстрому созданию и разработке новых медикаментов и материалов с уникальными свойствами, что открывает новые возможности для различных отраслей науки и промышленности.