Материалы будущего будут создаваться не руками, а алгоритмами
Учёные из Московского физико-технического института (МФТИ) представили алгоритм на основе искусственного интеллекта, который способен в десятки раз ускорить разработку новых двумерных материалов. Исследование опубликовано в международном журнале NPJ Computational Materials и уже вызвало интерес у мирового научного сообщества.
Искусственный интеллект для открытий в физике
Разработанный специалистами МФТИ алгоритм позволяет моделировать и прогнозировать свойства новых соединений, используя машинное обучение. По сути, это нейросеть, обученная физике твёрдого тела, которая способна заменять традиционные вычисления, требующие сотен часов работы суперкомпьютеров.
"Мы обучили нейросеть понимать, как ведут себя атомы на поверхности и в слоях материала. Это позволило резко сократить время расчётов без потери точности", — объяснили в пресс-службе МФТИ.
Главное преимущество нового подхода — скорость и точность. Если раньше создание одного потенциального образца занимало недели, теперь его можно просчитать за несколько часов.
Что такое двумерные материалы
Двумерные (2D) материалы — это вещества, атомы которых образуют слой толщиной всего в один-два атома. Самый известный пример — графен, открытый в 2004 году и ставший началом целой эпохи в материаловедении.
Такие структуры обладают уникальными физическими свойствами: они гибкие, прочные и обладают высокой проводимостью. На их основе уже создаются сверхтонкие процессоры, солнечные панели нового поколения и элементы квантовых компьютеров.
Проверка нейросети: система Mo-S на сапфировой подложке
Учёные протестировали работу алгоритма на примере соединения молибден-сера (Mo-S), нанесённого на сапфировую подложку (Al₂O₃). Это одна из классических систем для создания тонких полупроводниковых слоёв.
"Наш ИИ успешно предсказал структуру и электронные свойства системы Mo-S/Al₂O₃, полностью совпавшие с данными, полученными в эксперименте", — рассказали авторы исследования.
Такой результат подтвердил, что алгоритм способен самостоятельно анализировать взаимодействия атомов и подбирать оптимальные комбинации элементов для создания устойчивых структур.
Таблица "Как нейросеть ускоряет открытие новых материалов"
| Этап исследования | Традиционный метод | Алгоритм МФТИ |
| Расчёт структуры кристалла | Несколько недель | Несколько часов |
| Оценка стабильности | Десятки экспериментов | Моделирование в один этап |
| Прогноз свойств (проводимость, оптика, теплопередача) | Ограниченная точность | Высокая точность за счёт обучаемости |
| Возможность автоматического подбора новых соединений | Нет | Да |
Потенциал для технологий будущего
По словам исследователей, новый подход способен изменить саму логику создания материалов. Вместо долгих лабораторных поисков учёные смогут сначала "выращивать” вещества в виртуальной среде, а уже потом переходить к реальным экспериментам.
Сферы применения таких разработок обширны:
-
электроника и нанотехнологии (создание сверхтонких чипов);
-
энергетика (эффективные солнечные панели, термоэлектрические элементы);
-
квантовые вычисления (2D-структуры с уникальными электронными свойствами);
-
оптика и сенсорика (гибкие дисплеи, фотонные материалы).
"Совмещение физики, математики и машинного обучения становится ключом к открытию принципиально новых веществ. Мы фактически учим искусственный интеллект "понимать материю”", — отметил один из участников проекта.
Плюсы и минусы применения ИИ в материаловедении
| Плюсы | Минусы |
| Сокращение времени и стоимости исследований | Требуется большая база обучающих данных |
| Возможность моделировать миллионы комбинаций элементов | Необходима последующая экспериментальная проверка |
| Повышение точности прогнозов | Зависимость от качества обучающего алгоритма |
| Автоматизация подбора оптимальных структур | Пока ограничено числом доступных систем |
Как работает нейросеть
Алгоритм использует глубокое обучение на основе симметрий кристаллических решёток. Он анализирует взаимное расположение атомов, их типы и взаимодействия, чтобы предсказать устойчивость структуры и её свойства — от проводимости до теплопередачи.
В процессе обучения модель прошла через миллионы симуляций, созданных на основе открытых баз данных материалов (Materials Project, AFLOW, OQMD). Благодаря этому нейросеть научилась распознавать закономерности, которые даже опытные исследователи не всегда могут уловить.
Таблица "Основные направления, где будут применяться 2D-материалы"
| Отрасль | Применение | Пример |
| Электроника | Нанотранзисторы, процессоры | Транзисторы на основе графена |
| Энергетика | Фотоэлементы, аккумуляторы | 2D-плёнки для солнечных батарей |
| Квантовые технологии | Квантовые точки и спиновые кубиты | Материалы MoS₂, WS₂ |
| Биотехнологии | Сенсоры и диагностика | Гибкие медицинские сенсоры |
Что дальше
Учёные МФТИ планируют расширить библиотеку соединений, обучив нейросеть анализировать многоуровневые и гибридные структуры. Следующий этап — автоматическая генерация предложений новых веществ, которых ещё не существует в природе.
"Мы стоим на пороге новой эры материаловедения — когда искусственный интеллект становится соавтором научных открытий", — подчеркнули авторы проекта.
В ближайшие годы подобные алгоритмы могут лечь в основу национальных платформ по цифровому моделированию веществ, ускорив переход к "умной" науке, где компьютеры и человек работают в тандеме.
Три интересных факта
-
Первая публикация об ИИ в материаловедении МФТИ появилась ещё в 2019 году, но тогда алгоритмы работали в 100 раз медленнее.
-
Новый подход позволяет заменить до 80% рутинных вычислений в квантовой химии.
-
Российская модель по точности уже сравнима с лучшими международными разработками — DeepMind и Google Research.
Итог
Исследование МФТИ показывает, как искусственный интеллект превращается из инструмента анализа в инструмент открытий. Алгоритм, созданный физиками, способен не только ускорить расчёты, но и предсказать материалы, которые могут стать основой технологий будущего — от квантовых процессоров до новых источников энергии.
Подписывайтесь на Экосевер
