Поделиться
Учёт симметрии помог нейросети в 2 раза точнее предсказывать свойства материалов
Ученые из Института AIRI разработали методику, позволяющую повысить точность прогнозов свойств материалов за счет учета симметрии кристаллических структур при обучении моделей искусственного интеллекта. Это может заметно ускорить процесс поиска новых материалов с заданными характеристиками, особенно в области зеленой энергетики.
Исследователи показали, что пространственная симметрия структур, включенных в обучающую выборку, напрямую влияет на качество работы графовой нейронной сети. Чтобы это доказать, они провели серию численных экспериментов, изолированно изучая влияние симметрийных свойств. Выяснилось, что использование структур с разной степенью симметрии может кратно увеличить точность прогнозов термодинамических свойств даже при одинаковом объеме тренировочных данных.
Поиск новых материалов с заданными свойствами — одно из ключевых направлений современного материаловедения. Он играет решающую роль в разработке более эффективных решений для солнечных панелей, систем хранения энергии и других высокотехнологичных устройств. Например, свинцовые перовскиты обладают отличными оптоэлектронными характеристиками, но нестабильны при комнатной температуре. Один из путей повышения их устойчивости — частичное замещение свинца на кадмий или цинк, а йода — на бром. Однако это приводит к экспоненциальному росту количества возможных структур — до миллионов вариантов, что делает их перебор с помощью традиционных методов вычислительной химии практически невозможным.
Современные подходы решают эту задачу с помощью гибридных методов: сочетания точных квантово-химических расчетов и ускоренных предсказаний с использованием нейросетей. В рамках исследования команда AIRI доказала, что учет симметрии в обучающих данных, при составлении тренировочных наборов, может сократить ошибку прогнозов вдвое, тем самым значительно повышая эффективность моделей.
Ученые построили пространство из почти 6 миллионов возможных вариантов структур с химическим замещением. Из них были выбраны 1162 наиболее репрезентативных, для которых провели ресурсоемкие квантово-химические расчеты, а на их основе обучили графовые нейронные сети. Оказалось, что модели, обученные на низкосимметричных структурах, давали почти в два раза более точные прогнозы. С точки зрения графовой архитектуры такие структуры показали себя более информативными.
При этом исследование выявило и интересные особенности высокосимметричных реализаций химического беспорядка. Хотя такие структуры составляют менее 1% в общем пространстве поиска, для них характерен широкий разброс свойств, что может быть полезно при более сложных задачах, где идеальные условия численного эксперимента не соблюдаются.
«Наше исследование подчеркивает важность учета пространственной симметрии при разработке ИИ-решений для поиска новых материалов. Мы говорим о гибридных подходах, сочетающих физическое моделирование и машинное обучение. Симметрия не только влияет на сами материалы, но и на то, как нейросети учатся предсказывать их поведение. Объединяя фундаментальные принципы физики и кристаллографии с современными ИИ-моделями, мы делаем еще один шаг к созданию по-настоящему эффективных инструментов для прогнозирования новых веществ», — отметил Алексей Кравцов, младший научный сотрудник группы «Дизайн новых материалов».
Короткая ссылка
