Искусственный интеллект поможет быстро определять кристаллические структуры гибридных материалов
Фото: kommersant.ru
Впечатляющий прорыв совершили исследователи, создав инновационный алгоритм машинного обучения для анализа гибридных материалов на основе галогенидов. Это достижение открывает широкие перспективы в разработке передовых оптоэлектронных устройств, эффективных солнечных батарей и высокочувствительных датчиков. Инновационная методика значительно ускорит создание перспективных материалов и усовершенствование существующих разработок. Проект реализован при поддержке Российского научного фонда.
Современная наука располагает внушительной базой из более чем тысячи гибридных галогенидных материалов. В их составе гармонично сочетаются органические компоненты, галогены (представители 17-й группы периодической системы — хлор, бром, йод) и металлические элементы. Эти удивительные материалы привлекают внимание исследователей благодаря легкости получения и уникальным оптоэлектронным характеристикам, делающим их идеальными компонентами для создания солнечных элементов, радиационных детекторов и инновационных светодиодов.
Ключевым этапом в разработке новых соединений является определение их кристаллической структуры, которая во многом определяет функциональные свойства материала. Рентгеновская дифракция предоставляет надежные данные о том, как исследуемый порошок взаимодействует с рентгеновским излучением. Однако традиционный анализ этих данных требует значительных временных затрат и участия высококвалифицированных специалистов, что побуждает научное сообщество искать более эффективные решения.
Талантливые специалисты МГУ им. М.В. Ломоносова разработали революционный автоматизированный алгоритм, способный молниеносно определять структурные особенности гибридных галогенидов на основе дифракционных данных.
В ходе исследования команда проанализировала внушительный массив из 485 известных кристаллических структур галогенидов, изученных методом рентгеновской дифракции. Тщательное исследование структурных особенностей позволило создать уникальную систему классификации.
Разработанная классификация воплотилась в математический граф, где каждая вершина представляет определенную структуру гибридного материала, а соединяющие их ребра отображают возможные структурные переходы. На основе этой инновационной классификации был создан высокоточный алгоритм машинного обучения для прогнозирования атомной организации исследуемых материалов.
Исследователи создали теоретические рентгенограммы для 485 известных структур и дополнили их одиннадцатью экспериментальными образцами. Результаты превзошли ожидания — точность определения структуры достигла 71-83%, варьируясь в зависимости от степени детализации атомного расположения. Новый алгоритм существенно превосходит предыдущие разработки, ограниченные простым разделением на перовскитные и неперовскитные структуры, благодаря способности распознавать множество структурных типов.
Екатерина Марченко, руководитель проекта, делится оптимистичными перспективами: «Наша разработка позволяет мгновенно определять взаимосвязи между атомными группами в гибридных материалах. Это значительно ускорит открытие новых галогенидных соединений. Мы продолжим совершенствовать точность алгоритма, расширяя базу данных новыми материалами».
Алексей Тарасов, руководитель лаборатории, с воодушевлением рассказывает о достижениях команды: «Мы гордимся созданием первой в мире открытой базы данных по низкоразмерным фазам. В наших планах — расширение базы новыми экспериментальными результатами и расчетными данными, полученными с помощью искусственного интеллекта. Это приближает нас к практическому применению этих материалов в солнечной энергетике, светодиодных технологиях и детекторах рентгеновского излучения».
Исследование осуществлено при поддержке Российского научного фонда с использованием материалов научной публикации.
