Искусственный интеллект смог предсказать поведение квантовых систем.
Исследование опубликовано в журнале The Proceedings of the National Academy of Sciences (PNAS). Современная электроника функционирует благодаря квантовым эффектам. Полупроводники, светодиоды и солнечные батареи — все эти устройства зависят от поведения электронов в материалах. Описание таких процессов с высокой точностью представляет собой сложную задачу: моделирование требует значительных вычислительных ресурсов. Для расчета движения электронов в материале, состоящем из тысячи атомов, суперкомпьютерам необходимо выполнить миллионы операций.
При моделировании квантовых систем обычно применяется метод молекулярной динамики, который позволяет предсказать, как атомы и электроны будут перемещаться со временем. Однако, если состояния электронов изменяются быстро, традиционные методы моделирования становятся чрезмерно ресурсоемкими.
Исследователи МИЭМ ВШЭ нашли решение этой проблемы, используя машинное обучение. Новый алгоритм анализирует небольшие участки материала, обучаясь на их локальных характеристиках, а затем делает предсказания о поведении всей системы. Ученые исследовали двумерный полупроводник сульфид молибдена (MoS₂) — многообещающий материал для оптоэлектроники и фотовольтаики. В частности, он может использоваться в качестве активного слоя солнечных элементов. В идеальных условиях атомы молибдена (Mo) и серы (S) образуют упорядоченную решетку, но в реальных материалах структура часто бывает несовершенной: в ней могут присутствовать дефекты.
Дефекты представляют собой нарушения в расположении атомов. В MoS₂ они могут проявляться в виде вакансий (отсутствие атомов серы или молибдена), лишних атомов между слоями, локальных смещений или других отклонений от идеальной решетки. Дефекты влияют на поведение электронов: в некоторых случаях они могут ухудшать проводимость, а иногда придавать материалу новые свойства, такие как повышенная чувствительность к свету или улучшенная проводимость заряда.
«Чтобы понять, как дефекты влияют на движение электронов, мы сосредоточились на небольших участках материала. Алгоритм сначала изучал локальные характеристики системы, а затем предсказывал поведение всей структуры. Это похоже на изучение языка: сначала ты запоминаешь отдельные слова, а затем начинаешь понимать целые предложения», — комментирует доцент МИЭМ ВШЭ Лю Дунюй.
Выяснилось, что важно не только количество дефектов, но и их расположение. Дефекты могут замедлять или ускорять движение заряженных частиц, создавая ловушки для носителей заряда внутри запрещенной зоны полупроводника. Традиционные методы плохо справляются с расчетом этих эффектов, так как необходимо учитывать взаимодействие дефектов между собой и с атомами материала, что сложно осуществить при использовании малых вычислительных ячеек. Машинное обучение позволяет преодолеть эти размерные ограничения и учитывать синергетический эффект множественных дефектов в материале.
«Важно, что этот метод не только ускоряет вычисления, но и способствует изучению реальных квантовых систем, — комментирует профессор МИЭМ НИУ ВШЭ Андрей Васенко. — Результаты наших исследований помогут сократить разрыв между теоретическим моделированием и экспериментальными исследованиями материалов. Мы разработали новый подход к исследованию движения зарядов в сложных системах, объединив точные вычисления, молекулярную динамику и машинное обучение. Этот метод позволит исследовать материалы, в которых электроны переносят энергию и информацию, что имеет важное значение для электроники и энергетики».