Исследователи снизили количество данных, нужное для нейросети, предсказывающей свойства материалов⤵️

Data-driven подходы к предсказанию свойств новых соединений уже прочно вошли в арсенал материаловедов. Но для таких инструментов порой требуется очень много данных, которые необходимо добывать с помощью ресурсоёмких квантовомеханических расчётов.

Исследовательская группа из AIRI, Сколтеха, Томского политехнического университета и Сбера разработала подход, который требует малого числа дополнительных вычислений благодаря интеллектуальному отбору примеров для дообучения графовой нейронной сети. Учёные применили его к проблеме поиска оптимального допанта (металла-заместителя) для высшего борида вольфрама — представителя семейства сверхтвёрдых материалов.

В общей сложности учёным удалось предсказать термодинамические свойства примерно в 375 тысячах структурных конфигураций, используя для обучения модели всего 200 результатов квантовомеханических расчётов. Последующий анализ показал, что как минимум три из рассмотренных металлов-заместителей могут приводить к образованию новых устойчивых соединений. Для одного из них прогноз был успешно проверен в ходе лабораторных тестов в Томском политехническом университете.

📎Статья с описанием модели и экспериментов опубликована в журнале npj Computational Materials.