МОСКВА, 16 апреля. /ТАСС/. Российские исследователи 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, сообщила пресс-служба Института искусственного интеллекта AIRI.
«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», — пояснил младший научный сотрудник AIRI Алексей Кравцов, чьи слова приводит пресс-служба вуза.
Как отмечают ученые, сейчас химики и биологи используют методы квантовой химии для предсказания того, как будут вести себя те или иные молекулы. Проведение подобных расчетов требует огромного количества времени и вычислительных ресурсов, так как их сложность растет экспоненциальным образом с добавлением каждого нового атома и электрона, участвующего в химических реакциях.
В последние годы ученые пытаются обойти эти проблемы при помощи квантовых компьютеров и нейросетей, способных определять то, как будут взаимодействовать атомы в произвольно устроенных молекулах. Российским ученым удалось удвоить точность работы одного из класса подобных систем ИИ, основанных на базе так называемых GNN-нейросетей, которые пытаются представить решаемую задачу в виде графа, математической структуры, состоящей из связанных друг с другом узлов и соединяющих их ребер.
Ученые выяснили, что качество работы данных систем ИИ можно фактически удвоить, если учитывать при составлении набора данных для обучения GNN-нейросетей возможность наличия или отсутствия различных форм симметрии, связанных с расположением атомов и дефектов в кристаллической решетке изучаемых материалов. Работу этого подхода ученые проверили на системе ИИ, предсказывающей свойства свинцовых перовскитов — перспективных материалов для производства солнечных батарей и оптоэлектронной отрасли.
Для их обучения ученые подготовили набор из почти шести миллионов возможных вариантов структур с химическим замещением, из которых 1,16 тыс. были изучены при помощи ресурсоемких квантово-химических расчетов. Последующее обучение системы ИИ на базе этих данных подтвердило, что учет симметрии позволяет значительным образом повысить качество предсказаний GNN-нейросетей, а также дает ученым возможность выявлять интересные особенности в структуре молекул, полезные при разработке новых материалов.
