Исследовательская группа из Сколтеха, Института AIRI, Томского политехнического университета и Сбера предложила и протестировала подход к предсказанию возможностей модификации свойств материалов. Благодаря моделям искусственного интеллекта, специально дообученным на небольшом количестве данных, удалось значительно ускорить расчёт энергий образования возможных конфигураций высшего борида вольфрама, допированного другими металлами. Метод, который применим и к другим веществам, представлен в журнале npj Computational Materials.

Учёные-материаловеды продолжают поиск новых материалов для гражданского и промышленного применения. Достижения в области вычислительных методов позволяют спрогнозировать их кристаллическую структуру и свойства, в то время как традиционный экспериментальный поиск химических модификаций занимает много времени и не всегда эффективен. Однако возникают трудности при непосредственном использовании модельных подходов из-за большого числа возможных реализаций кристаллической структуры материала, особенно если они не упорядочены.

На помощь учёным приходит машинное обучение, которое позволяет прогнозировать целевые свойства различных материалов с использованием ограниченных наборов обучающих данных. В последнее время в этой области себя зарекомендовали нейронные сети с геометрическими графами (Graph Neural Networks), которые обеспечивают возможности для предобучения на всех доступных в области теоретического материаловедения данных и последующего дообучения с использованием специфичных для решаемой задачи данных.

В новой работе исследователи предложили подход к предсказанию свойств материалов, который реализует такое дообучение, но при этом требует лишь малого числа дополнительных расчётов в рамках теории функционала электронной плотности, благодаря интеллектуальному отбору дополнительных примеров. Цель исследования — в том, чтобы решить проблему с неполными наборами данных структур с модификациями химического состава и улучшить оценку термодинамической стабильности при поиске функциональных материалов в рамках гибридных подходов с применением машинного обучения. Проверили новый подход на поиске оптимального допанта (металла-заместителя) для пентаборида вольфрама.

«Ранее мы уже разработали метод получения пентаборида вольфрама в виде порошка — важного аналога дорогостоящих соединений для жаропрочных керамических изделий, бурового оборудования в нефтегазовой отрасли. В новой работе мы решили проверить новый подход на примере этого соединения. Сначала мы выбрали какие металлы могут дополнить его структуру и образовать тройное допированное соединение для улучшения механических характеристик. Затем мы поняли, что экспериментально можем рассмотреть лишь несколько возможных концентраций допантов, а расчёты всех конфигураций занимают очень много времени. На основе нашего небольшого набора данных мы обучили модель, которая довольно быстро предсказывала энергии образования всех возможных конфигураций допирования восьмью переходными металлами», — поделился соавтор работы, профессор Проектного центра по энергопереходу Сколтеха Александр Квашнин.

В общей сложности учёным удалось предсказать термодинамические свойства примерно в 375 тысячах структурных конфигураций на выборке из всего 200 результатов квантово-механических расчётов. Подход выявил наиболее перспективные соединения с улучшенными механическими свойствами, которыми является пентаборид вольфрама, допированный танталом в процентном содержании от 20 до 60 %. Авторы показали, что современным моделям искусственного интеллекта под силу определить корреляции между составом, свойствами и структурой материалов. Это открывает перспективы для расширения предложенного подхода.

«В построенном нами пространстве поиска прямое использование квантово-механических расчётов могло бы занять годы. Вместо перебора всех вариантов мы разработали схему последовательного включения в обучение графовой нейронной сети только тех структур, на которых она ошибалась сильнее всего. Это снизило комбинаторную сложность задачи, позволив добиться приемлемого качества прогнозов уже для 200 тренировочных структур. В результате обученная модель позволила проанализировать все допанты всего лишь за несколько дней и выбрать наиболее перспективные из них с точки зрения экспериментальной проверки. Важно подчеркнуть, что, хотя разработанный подход был применён к высшим боридам, по построению он не ограничен каким-либо классом соединений и может быть использован для поиска новых представителей в любом другом семействе функциональных материалов», — отметил Роман Еремин, ведущий научный сотрудник группы «Дизайн новых материалов» Института AIRI.

Синтез образцов провели безвакуумным электродуговым методом в Томском политехническом университете. Были проведены серии экспериментов в различных условиях синтеза для получения предсказанных структур. Синтезированные материалы были изучены современными аналитическими методами.

«Разработанный в Томском политехническом университете безвакуумный электродуговой метод и специализированный атмосферный плазменный реактор характеризуются простотой эксплуатации, относительно низкой стоимостью; оборудование подходит для быстрого тестирования гипотез о возможности существования того или иного спрогнозированного соединения, в данном случае высшего борида вольфрама, допированного танталом, а современное аналитическое оборудование позволяет выстраивать доказательную базу, исследовать структуру, морфологические и прочие особенности продуктов, оценивать свойства полученных материалов», — отметил Александр Пак, заведующий лабораторией перспективных материалов энергетической отрасли, профессор отделения электроэнергетики и электротехники Томского политехнического университета.

«Реализованный проект наглядно демонстрирует возможности современных нейросетевых архитектур для решения прикладных научных задач, в частности — поиска новых функциональных материалов. Разработка соединений с улучшенными механическими свойствами открывает перспективы для множества отраслей. Таким образом, появляются возможности по реализации дальнейших шагов в части создания экспериментальных образцов и их апробации в реальных производственных процессах. Мы ожидаем, что полученные результаты будут востребованы в реальном и других секторах экономики», — прокомментировал начальник Управления перспективных технологий искусственного интеллекта Сбербанка, научный консультант AIRI Семён Будённый.