Учёные из Института промышленной науки Токийского университета модифицировали генеративную модель искусственного интеллекта (ИИ), которая создаёт новые кристаллические материалы с заданными свойствами. Теперь модель учитывает не только расположение атомов, но и электронную структуру - распределение электронов по энергетическим уровням. Результаты опубликованы в журнале npj Computational Materials.

Традиционный поиск новых материалов идёт двумя путями: медленные эксперименты методом проб и ошибок или случайная генерация кандидатов на компьютере с последующей проверкой, что требует больших вычислительных ресурсов. Перспективна обратная задача: сначала задаётся желаемое свойство (например, ширина запрещённой зоны - энергетический барьер, определяющий электропроводность, или энергия образования), а ИИ подбирает структуру, которая этим свойством обладает. Генеративные модели машинного обучения, обученные на существующих данных о кристаллах, хорошо подходят для такой задачи, поскольку способны создавать совершенно новые материалы.

Свойства кристаллов - твёрдость, электропроводность, оптическое поведение - зависят от атомного масштаба: кристаллической структуры (расположения молекул в повторяющемся трёхмерном узоре) и электронной структуры. В начале 2025 года Microsoft Research представила генеративную модель MatterGen для неорганических кристаллов. Это диффузионная модель: она генерирует новые стабильные структуры, используя типы атомов, их координаты и параметры решётки. Однако при ограниченном объёме данных модели трудно уловить связь между макроскопическим свойством и кристаллической структурой.

Команда из Токийского университета облегчила обучение, добавив дескрипторы локальной электронной структуры - заряд Бадера (электронный заряд, приписываемый каждому атому в решётке) и плотность состояний (характеристика распределения электронных уровней). "Электронная структура физически определяет макроскопическое свойство и сильно ограничена локальным расположением атомов, - поясняет ведущий автор Ибуки Окуда. - Поэтому наши электронные дескрипторы служат промежуточным представлением между структурой и свойством".

При заданных значениях энергии образования и ширины запрещённой зоны MatterGen-e- создала значительно больше структур, которые одновременно были валидными, стабильными, уникальными и новыми, чем исходная MatterGen. Кроме того, модель выдаёт плотность состояний для каждого нового материала, и эти данные хорошо согласуются с расчётами из первых принципов (квантово-механическими вычислениями без подгоночных параметров).

"Мы провели контрольные эксперименты, заменив электронные дескрипторы на зашумлённые заряды Бадера или фиктивную переменную без физического смысла, - рассказывает старший автор Тэруясу Мидзогути. - Стабильность и валидность структур улучшались только при использовании физически осмысленных дескрипторов. Значит, важно качество электронной информации, а не количество переменных".

Авторы формулируют принцип для генеративных моделей в материаловедении: использовать физически осмысленные промежуточные представления, такие как электронная структура, а не только атомное строение. Поскольку дескрипторы определяются для каждого атома, подход не ограничивается объёмными кристаллами - его можно применять для поверхностей и границ раздела, где свойствами управляют локальные электронные состояния. Пока это результаты исследования, а не готовый коммерческий продукт.

Источник: Tech Xplore