Штучний інтелект прогнозує поведінку квантових систем.
Дослідження опубліковано в журналі The Proceedings of the National Academy of Sciences (PNAS). Сучасна електроніка функціонує завдяки квантовим ефектам. Напівпровідники, світлодіоди, сонячні батареї — всі ці пристрої залежать від поведінки електронів у матеріалах. Описати такі процеси з високою точністю важко: моделювання вимагає величезних обчислювальних потужностей. Щоб розрахувати рух електронів у матеріалі з тисячі атомів, суперкомп'ютерам доводиться виконувати мільйони операцій.
Зазвичай при моделюванні квантових систем використовують метод молекулярної динаміки: він дозволяє прогнозувати, як атоми та електрони будуть рухатися з часом. Однак, якщо стани електронів змінюються швидко, стандартні методи моделювання стають занадто ресурсоємними.
Дослідники МІЕМ ВШЕ вирішили проблему за допомогою машинного навчання. Новий алгоритм аналізує невеликі фрагменти матеріалу, навчаючись на їх локальних властивостях, а потім здійснює прогнози про поведінку всієї системи. Вчені вивчили двовимірний напівпровідник сульфід молібдену (MoS₂) — перспективний матеріал для оптоелектроніки та фотогальваніки. Зокрема, він може слугувати робочим шаром сонячних елементів. В ідеальному випадку атоми молібдену (Mo) та сірки (S) формують упорядковану решітку, але в реальних матеріалах структура рідко буває ідеальною: у ній можуть бути дефекти.
Дефекти — це порушення у розташуванні атомів. У MoS₂ вони можуть проявлятися як вакансії (відсутність атомів сірки або молібдену), зайві атоми між шарами, локальні зміщення або інші відхилення від ідеальної решітки. Дефекти змінюють поведінку електронів: в деяких випадках погіршують провідність, але іноді можуть надавати матеріалу нові властивості, наприклад, підвищувати його чутливість до світла або робити його кращим провідником заряду.
«Щоб зрозуміти, як дефекти впливають на рух електронів, ми зосередилися на невеликих фрагментах матеріалу. Алгоритм спочатку вивчав локальні властивості системи, а потім передбачав поведінку всієї структури. Це схоже на вивчення мови: спочатку ти запам'ятовуєш окремі слова, а потім починаєш розуміти цілі речення», — коментує доцент МІЕМ ВШЕ Лю Дунюй.
Виявилося, що важливим є не лише кількість дефектів, але й їх розташування. Дефекти можуть сповільнювати або прискорювати рух заряджених частинок, створюючи пастки для носіїв заряду всередині забороненої зони напівпровідника. Стандартні методи погано справляються з розрахунком цих ефектів, оскільки під час розрахунків необхідно враховувати взаємодію дефектів між собою та з атомами матеріалу, що важко зробити при використанні обчислювальних клітинок малого розміру. Машинне навчання дозволяє подолати ці розмірні обмеження та врахувати синергетичний ефект множинних дефектів у матеріалі.
«Важливо, що цей метод не лише прискорює обчислення, але й допомагає вивчати реальні квантові системи, — коментує професор МІЕМ НІУ ВШЕ Андрій Васенко. — Результати наших досліджень зможуть скоротити розрив між теоретичним моделюванням і експериментальними дослідженнями матеріалів. Ми розробили новий підхід до вивчення руху зарядів у складних системах, об'єднавши точні обчислення, молекулярну динаміку та машинне навчання. Цей метод допоможе досліджувати матеріали, в яких електрони переносять енергію та інформацію, що важливо для електроніки та енергетики».