Прогнозирование стабильности материалов — центральная проблема материаловедения, физики и химии, считают инженеры Калифорнийского университета в Сан-Диего. С одной стороны, есть традиционная химическая интуиция, например, выраженная в пяти правилах Лайнуса Полинга, который описал стабильность кристаллов в понятиях радиусов и ионов. Другой полюс — дорогие квантово-механические вычисления для расчета с помощью суперкомпьютеров энергии, полученной от формирования кристалла. Новое исследование позволяет объединить оба этих подхода при помощи нейронной сети, сообщает EurekAlert.

Обучив искусственный интеллект предсказывать энергию формирования кристалла при помощи двух параметров — электроотрицательности и ионного радиуса атомов — ученые разработали модель, способную идентифицировать стабильные материалы. Она работает для двух классов кристаллов — гранатов и перовскитов.

Получившиеся модели оказались в десять раз точнее предыдущих моделей машинного обучения и достаточно быстрыми, чтобы эффективно исследовать тысячи материалов за несколько часов работы на ноутбуке.

«Гранаты и перовскиты применяются в светодиодах, литий-ионных аккумуляторах и солнечных элементах, — отмечает Вэйкэ Е, первый автор статьи, опубликованной в журнале Nature Communications. — Подобные нейронные сети способны значительно ускорить открытие новых материалов».

Ученые выложили свою модель в открытый доступ. В дальнейшем они планируют расширить ее для работы с другими типами кристаллов.

Недавно шотландские ученые создали алгоритм, который может предсказывать результат взаимодействия химикатов. В ходе испытаний он смог с 80% точностью рассчитать 1000 возможных реакций, в которых участвовали 18 веществ.