Российские учёные из Института AIRI разработали методику, позволяющую повысить точность прогнозов свойств материалов за счет учёта симметрии кристаллических структур при обучении моделей искусственного интеллекта. Открытие может ускорить разработку новых сплавов и веществ, так как теперь процесс поиска новых материалов с заданными характеристиками будет проходить быстрее.
Исследователи выяснили, что на качество работы графовой нейронной сети (математической структуры, состоящей из связанных друг с другом узлов и соединяющих их ребер) напрямую влияет пространственная симметрия структур, включённых в обучающую выборку. Теперь при определении взаимодействия атомов в произвольно устроенных молекулах за счёт использования структур с разной симметрией увеличится точность прогнозов.
Для обучения так называемых GNN-нейросетей было разработано почти 6 миллионов возможных вариантов структур с замещением химических элементов. Из них свойства 1,16 тыс. примеров были отдельно рассчитаны при помощи ресурсоёмких квантово-химических методов. В дальнейшем приступили к обучению системы ИИ, которое подтвердило эффективность предсказаний GNN-нейросетей.
Как отметил младший научный сотрудник группы «Дизайн новых материалов» Алексей Кравцов, проведённое исследование основано на гибридных подходах, сочетающих физическое моделирование и машинное обучение.
«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», — Алексей Кравцов.
Александрова Мария