Нейромережа передбачить стабільні кристалічні структури
Вчені з США розробили нейронну мережу, яка розраховує енергію зв'язку кристалів з похибкою близько 10 мільйелектронвольт на атом, але не вимагає великих обчислювальних ресурсів. Такої низької похибки достатньо, щоб оцінити стійкість потенційно корисних матеріалів, передбачених теоретично. Крім того, дослідники запустили онлайн-сервіс, який розраховує енергію зв'язку гранатів за допомогою розробленої програми. Стаття опублікована в.
Вчені постійно теоретично пророкують нові матеріали, що володіють незвичайними властивостями, проте далеко не всі такі передбачення вдається реалізувати на практиці. Щоб довести, що придумана структура дійсно життєздатна, необхідно оцінити її стійкість, і така оцінка - одне з основних завдань матеріалознавства. В даний час вчені вміють оцінювати стійкість матеріалів відразу двома принципово різними способами. З одного боку, вони можуть скористатися «хімічною інтуїцією» - напівемпіричними правилами Полінга, які описують, при яких параметрах іонів і решітки кристал буде залишатися стабільним. З іншого боку, дослідники можуть розрахувати енергію зв'язку атомів кристала «з перших принципів» (за допомогою методу DFT) і безпосередньо перевірити, наскільки він буде стійкий.
На перший погляд здається, що другий спосіб зручніший, оскільки він дозволяє визначати стійкість абсолютно довільних грат і покладається тільки на фундаментальні закони квантової механіки. Тим не менш, у нього є великий недолік: квантовомеханічні розрахунки вимагають дуже багато ресурсів, а тому їх вдається провести тільки за допомогою суперкомп'ютера. Отже, щоб розрахувати стабільність чергової структури, потрібно платити за обчислювальний час і чекати, поки суперкомп'ютер звільниться. Це дорого і незручно. Щоб вирішити цю проблему, вчені запропонували використовувати машинне навчання - метод, в ході якого програма адаптується під вирішувану задачу (наприклад, виділяє параметри, які найбільше впливають на кінцевий результат). Докладніше про цей метод можна прочитати в матеріалі "Абетка ШІ: "Машинне навчання" ". На жаль, досі вченим не вдавалося довести точність розрахунків до такого рівня, щоб з їх допомогою можна було оцінити стабільність матеріалу. Насправді, більшість самонавчальних програм розраховують енергію зв'язку атомів кристала з похибкою близько 100 мільйелектронвольтів, в той час як 90 відсотків відомих кристалів мають енергію зв'язку менше 70 мільйелектронвольт на атом.
Група вчених під керівництвом Шюе Пін Онга (Shyue Ping Ong) розробила програму, яка розраховує енергію зв'язку кристала з точністю близько 10 мільйелектронвольтів на атом, але не вимагає великих обчислювальних ресурсів. Для цього вчені побудували нейронну мережу прямого поширення (feed-dorward neural network) і припустили, що в основному енергію зв'язку атомів кристала визначає всього два параметри - розмір і електроотрицательность іонів кристала. На це припущення вчених наштовхнули правила Полінга. Детальніше про нейронні мережі можна прочитати в нашому матеріалі із серії «Абетка штучного інтелекту». Для тренування нейромережі дослідники використовували базу даних про кристалічну структуру та енергію зв'язку 635 гранатів. Ці дані вчені випадковим чином розділили у співвідношенні 64:16:20 і потім направили їх на навчання, підтвердження і перевірку роботи нейромережі відповідно.
Перша пробна версія нейромережі мала один прихований шар, працювала тільки з зазначеними параметрами і передбачала енергію зв'язку кристала тільки на основі його хімічного складу, не враховуючи кристалічну структуру. Похибка розрахованої енергії становила приблизно 25 мільйелектронвольтів на атом, що майже вдвічі менше, ніж похибка інших самонавчаних програм, хоча все ще не дотягує до «чесних» розрахунків за допомогою методу DFT. Це вказує на те, що здогадка вчених була вірною, і енергія зв'язку в основному визначається всього двома параметрами.
Потім дослідники побудували другу версію нейромережі, яка враховувала не тільки радіус і електроотрицательность іонів, але і будову елементарної комірки граната. Крім того, цього разу нейромережа мала вже два прихованих шари. Навчивши програму на тій же самій вибірці, вчені виявили, що на цей раз похибка склала всього 10 мільйелектронвольт на атом. Така низька похибка дозволяє оцінювати стабільність матеріалів - за словами вчених, їх програма правильно пророкує, буде кристал стійким чи ні, в 90 відсотках випадків.
Нарешті, вчені використовували той же підхід, щоб розрахувати енергію зв'язку і оцінити стійкість перовскітів - сполук, кристалічна структура яких відрізняється від структури гранатів. У цьому випадку похибка розрахунків склала приблизно 20 мільйелектровнольт на атом. Цікаво, що паралельно зі статтею групи Онга вийшла інша стаття, в якій енергія зв'язку перовскітів оцінюється за допомогою моделі регресії ядра (kernel ridge regression model) і має порівнянну похибку. Тим не менш, у цій статті дослідники використовували 70 параметрів замість двох, що ускладнювало розрахунки.
Автори статті вважають, що їхня робота має практичне значення, оскільки гранати і перовскіти використовуються для створення сонячних батарей, світлодіодів і акумуляторів. Тому вчені запустили онлайн-сервіс, який на льоту розраховує енергію зв'язку гранатів за допомогою розробленої програми. Завдяки цьому сервісу дослідникам більше не доведеться вдаватися до суперкомп'ютерів, щоб оцінити життєздатність нових потенційно корисних сполук.
Останнім часом вчені все частіше використовують машинне навчання, щоб знайти нові матеріали з незвичайними властивостями і розібратися, як окремі молекули речовини взаємодіють між собою. Наприклад, у жовтні 2017 року дослідники зі США та Німеччини розрахували за допомогою нейромережі електронну щільність молекул, а потім на підставі цих розрахунків пояснили хімічні властивості відповідних речовин. У квітні цього року вчені з Великобританії та Японії навчилися швидко знаходити потенціал взаємодії атомів бора в кристалічних структурах, змушуючи програму навчатися «на льоту». Того ж місяця фізики з Великобританії та Фінляндії показали за допомогою машинного навчання, як утворюються аморфні вуглецеві плівки з підвищеним вмістом тетраедричного вуглецю. Також ми писали про те, як фізики використовують нейронні мережі, щоб обчислювати функціональні інтеграли і топологічні інваріанти одномірних систем.