У МФТИ прискорили пошук нових матеріалів з заданими оптичними властивостями.

Результати опубліковані в журналі Science China Materials. Матеріали з високим показником дволомлення (Δn), особливо в області глибокого ультрафіолету, активно використовуються для розробки поляризаційних та багатьох інших пристроїв. Традиційні експериментальні методи пошуку таких матеріалів займають багато часу і, як правило, є складними у виконанні. Тому вчені розробили простий і зрозумілий спосіб відбору матеріалів з високим показником Δn, використовуючи квантово-механічні моделі та сучасні технології машинного навчання.

При навчанні нейронної мережі дуже важливо правильно підібрати ознаки, що описують навчальний набір даних. Оптичні властивості матеріалу залежать як від його кристалічної структури, так і від хімічного складу. Тому архітектура моделі повинна знаходити взаємозв'язки між хімічним складом, кристалічною структурою та цільовою властивістю матеріалу.

Однією з таких архітектур, що поєднує в собі описані вище властивості, є графова нейронна мережа. У цьому дослідженні в якості основного інструмента використовувалася модель графової нейронної мережі ALIGNN. Дослідники навчали її передбачати величину дволомлення матеріалу, спираючись на кристалічні структури. Для визначення точності прогнозів фізики додали критерій D-оптимальності. Цей критерій показує, наскільки надійні прогнози моделі на нових даних. Він також оцінює, наскільки добре характеристики нових матеріалів «вписуються» в набір даних, використаний для навчання моделі.

«Запропонований підхід, що складається зі збору навчальної вибірки, розробки моделей машинного навчання та скринінгу баз даних, дозволив нам знайти нові матеріали з заданими оптичними властивостями. У майбутньому цей підхід може бути розширений і на інші класи матеріалів», — розповідає Іван Круглов, завідувач лабораторією комп'ютерного дизайну матеріалів МФТИ.

«Раніше ми не бачили робіт, де б використовувався критерій D-оптимальності не тільки для оцінки надійності прогнозів моделі машинного навчання, але й для оцінки “новизни” даних. Також розроблений підхід поєднує в собі методи машинного навчання з традиційними квантово-механічними розрахунками, що забезпечує точність і хорошу інтерпретованість результатів. Ми продовжуємо розробляти моделі, використовуючи нові підходи, і, можливо, в найближчому майбутньому їх якість стане ще кращою!», — пояснила Людмила Березнікова, співробітник лабораторії комп'ютерного дизайну матеріалів МФТИ.

Використовуючи навчена графова нейронна мережа, після скринінгу бази даних Materials Project вчені виявили два нові матеріали з високими значеннями дволомлення в області глибокого ультрафіолету: NaYCO₃F₂ і SClO₂F. Знайдені матеріали мають Δn = 0,202 і Δn = 0,101 при довжині хвилі, що дорівнює 1064 нм. Аналіз показав, що високий показник преломлення в NaYCO₃F₂ обумовлений розташуванням планарних структурних елементів [CO₃]. В випадку SClO₂F основний внесок у величину Δn дають анізотропні зв'язки S–Cl.

У даній роботі вперше продемонстрована можливість одночасного використання графової нейронної мережі в поєднанні з критерієм D-оптимальності для точного прогнозування Δn і пошуку нових оптичних матеріалів. Передбачається, що розроблену модель можна адаптувати для пошуку матеріалів з іншими фізичними властивостями, наприклад, твердістю або теплопровідністю.

У роботі брали участь вчені з МФТИ, Синьцзянського технічного інституту фізики і хімії Китайської академії наук та Центру досліджень нових технологій XPANCEO (ОАЕ).