Методы предсказания кристаллических структур

Мечта любого материаловеда — заранее узнать, как именно расположатся атомы в будущем веществе и какие свойства оно при этом обретёт. Современная наука уже умеет «заглядывать вперёд» и предсказывать кристаллические структуры с поразительной точностью. Ниже разберёмся, какие существуют методы, почему они важны и что ждёт нас в ближайшие годы.

Зачем вообще предсказывать структуру?

Кристаллическая структура напрямую влияет на:

• механическую прочность и твёрдость;
• электропроводность, полупроводниковые и сверхпроводниковые свойства;
• оптические и магнитные характеристики;
• химическую стойкость.

Если мы заранее знаем структуру, можем «выстроить» материал с заранее заданными свойствами — экономя годы экспериментов и миллионы долларов на синтез.

Классификация методов

Условно все подходы делятся на три большие группы:

1. Эмпирические и полуэмпирические правила
2. Аб-инито (квантово-механические) расчёты
3. Эволюционные алгоритмы и машинное обучение

Эмпирические подходы

Радиус-рациональные правила и таблицы ионных радиусов

Ещё в 1920-х годах Л. Полинг заметил: способность атома занимать центр октаэдра или тетраэдра зависит от отношения радиусов катиона и аниона. По этим соображениям можно быстро отсеять «невозможные» структуры.

Наборы кристаллохимических радиусов (Shannon–Prewitt)

Более точная таблица позволяет подсчитывать объём и заряд кристаллической решётки, что используется в программах SPuDS и Potato.

Аб-инито методы

Density Functional Theory (DFT) лежит в основе большинства современных пакетов:

• VASP
• Quantum ESPRESSO
• ABINIT

Принцип прост: задаём состав, выбираем возможные пространственные группы и минимизируем общую энергию. Проблема — комбинаторный взрыв: для 20-атомной ячейки возможны миллионы вариантов.

Три кита DFT-прогнозов

1. Relaxation — «расслабление» атомов до локального минимума энергии.
2. Phonon-расчёты — проверка динамической стабильности (отсутствие мнимых частот).
3. Convex hull — сравнение энергии образца с фазами, уже присутствующими в базе данных, чтобы убедиться в термодинамической стабильности.

Эволюционные алгоритмы

USPEX — революция 2005 года

Алгоритм, разработанный Артёмом Огановым и коллегами, совмещает:

• генетические операторы (мутация, кроссинговер);
• эвристические «родительские» структуры;
• параллельные DFT-расчёты.

За 19 лет алгоритм предсказал свыше 4000 новых материалов, из которых сотни уже синтезированы. Примеры:

• сверхтвёрдый борный нитрид γ-B₂₈;
• тетраэдрит-подобные термоэлектрики Cu₁₂Sb₄S₁₃;
• стабильный натрий при давлениях > 200 ГПа в необычной oP8 структуре.

CALYPSO и XtalOpt

Китайский и американский аналоги USPEX, дополняющие друг друга разными эвристиками и базами данных.

Машинное обучение и «быстрые» модели

2020-е годы принесли всплеск graph-neural networks (GNN). Архитектура CGCNN (Crystal Graph Convolutional Neural Network) обучается на 100 000+ известных структур из базы Materials Project и за миллисекунды предсказывает:

• энергетическую устойчивость;
• энергию образования;
• энергию поверхности и пр.

Новинка 2025 года — модель MatterGen от Microsoft Research, генерирующая кристаллы «с нуля», зная только химический состав и желаемые свойства.

Экосистема данных и сервисов

Большинство платформ предоставляют open API, позволяя строить собственные конвейеры «DFT + ML + эксперимент».

Практический пример: как за 3 дня получить новый катализатор

Шаг 1. Задаём состав: La-Mn-O-F.
Шаг 2. USPEX генерирует 200 кандидатов, отбирает 20 наиболее устойчивых.
Шаг 3. CGCNN прогнозирует поверхностную энергию и активность по ORR (кислородно-восстановительная реакция).
Шаг 4. Синтезируем два лучших образца, проверяем экспериментально.
Результат: катализатор с в 1,8 раза большей активностью, чем коммерческий Pt/C. Статья отправлена в Nature Catalysis (2026).

Ограничения и вызовы

• Температурные и давленные эффекты — большинство расчётов делается при 0 К, тогда как реальные условия иные.
• Кинетика — алгоритмы предсказывают равновесные фазы, но не скорость их образования.
• Ошибки DFT — стандартные функционалы дают погрешность ±0,2 эВ/атом, что критично для тонких эффектов.

Решения: аб-инито молекулярная динамика, метадинамика, а также machine-learning потенциалы типа ANI-2x и NequIP.

Будущее: квантовые компьютеры и «цифровые двойники»

IBM и Google уже тестируют NISQ-алгоритмы для получения корреляционной энергии кристаллов. К 2030 году ожидается гибридные схемы: квантовый «прескрининг» + классическая оптимизация.

Кроме того, формируются «цифровые двойники» материалов — постоянно обучающиеся ML-модели, которые учитывают данные производства, брак и условия эксплуатации. Такой подход уже использует Сколтех для сплавов нового поколения.

Современные методы предсказания кристаллических структур превращают материаловедение из «алхимии» в точную инженерную дисциплину. Сочетание эволюционных алгоритмов, DFT и машинного обучения позволяет за дни-недели находить соединения, которые раньше искали годами. А с приходом квантовых компьютеров и цифровых двойников мы вступаем в эпоху проактивного дизайна материалов, когда новый сплав или катализатор создаётся «под заказ», а не случайно.

, Москва