Дата публикации: 29 апреля 2026 г., 07:27:23
В последние годы предсказание свойств материалов по их структуре стало одной из самых динамично развивающихся областей науки. Сочетание механических моделей, методов машинного обучения (ML) и искусственного интеллекта (AI) позволяет ускорить поиск новых соединений, снизить стоимость экспериментов и открыть путь к материалам с заранее заданными характеристиками.
Почему предсказание структуры‑свойств так важно?
- Традиционный экспериментальный поиск новых материалов требует месяцев и десятков миллионов долларов.
- Современные вычислительные методы могут сократить этот процесс до дней и сотен тысяч долларов.
- Точная связь «структура ↔ свойство» позволяет целенаправленно проектировать материалы для электроники, энергетики, медицины и других отраслей.
Текущий уровень точности современных нейросетей
Согласно последним сообщениям Института МФТИ, точность работы нейросетей для предсказания свойств материалов увеличилась вдвое. Это достигается за счёт:
- Более качественных обучающих наборов данных, включающих результаты экспериментов и расчётов DFT.
- Новых архитектур нейронных сетей, способных учитывать кристаллическую симметрию.
- Гибридных подходов, где физические ограничения вводятся в процессе обучения (Physics‑Informed Neural Networks, PINN).
Универсальный количественный метод от Центра фотоники и двумерных материалов МФТИ
Исследователи Центра фотоники и двумерных материалов МФТИ предложили универсальный количественный метод предсказания как структуры, так и свойств новых материалов. Ключевые особенности метода:
- Использование графовых представлений атомных соединений, где узлы – атомы, а ребра – химические связи.
- Внедрение модульных функций для описания взаимодействий на разных масштабах (от атомных до микроскопических).
- Возможность предсказывать сразу несколько свойств (модуль упругости, теплопроводность, электроотрицательность) в рамках одной модели.
Метод уже прошёл верификацию на более чем 10 000 соединений и показал среднюю ошибку менее 5 % по сравнению с экспериментальными данными.
Простая физическая модель предсказания твёрдости от Сколтеха
Учёные Сколтеха разработали физическую модель, позволяющую предсказывать твёрдость материалов, используя лишь один параметр – модуль упругости. Основные положения модели:
- Твёрдость H пропорциональна √E, где E – модуль Юнга.
- Коэффициент пропорциональности определяется экспериментально для каждого класса материалов (металлы, керамика, полимеры).
- Модель успешно протестирована на более чем 500 образцах, включая сплавы Al‑Mg, кристаллические оксиды и высокомолекулярные полимеры.
Такой подход особенно полезен в ранних стадиях разработки, когда детальные атомные расчёты слишком затратны.
Машинное обучение для предсказания кристаллических свойств
Существует ряд ML‑моделей, способных предсказывать кристаллические свойства (например, решётную энергию, коэффициент теплопроводности) только по химической формуле. Ключевые элементы этих моделей:
- Векторные представления (скалярные дескрипторы) химических элементов: атомный радиус, электроотрицательность, валентность и др.
- Глубокие нейронные сети, обученные на базе данных Materials Project и Open Quantum Materials Database (OQMD).
- Техники transfer learning, позволяющие адаптировать модель к новым классам материалов без полного переобучения.
Результаты показывают, что такие модели могут предсказывать свойства с точностью, сравнимой с традиционными DFT‑расчётами, но в 10‑100 раз быстрее.
Интеграция AI в комплексный процесс разработки материалов
Подход, предложенный совместно учёными из Сколтеха, МФТИ, Германии, Австрии и Норвегии, объединяет:
- Генерацию новых структур с помощью генеративных моделей (GAN, VAE).
- Оценку их свойств с помощью гибридных ML‑физических моделей.
- Оптимизацию целевых характеристик с помощью алгоритмов эволюционного поиска.
Верификация показала, что метод позволяет находить материалы с желаемыми механическими и термическими свойствами в 10‑20 раз быстрее, чем традиционный перебор.
Практические примеры применения
Полимерные упаковочные материалы
Исследователи из Plastics Packaging (перевод С. Зелке, Д. Кутлер, Р. Хернандес) использовали описанные выше методы для разработки полимеров с повышенной барьерной способностью к газам. С помощью AI‑моделей удалось предсказать оптимальное соотношение мономеров, что сократило экспериментальный цикл с 12 до 3 месяцев.
Твердые электролиты для батарей
Команда из Пермского национального исследовательского университета применила универсальный метод МФТИ для поиска новых оксидных твердых электролитов. За 2 недели было отобрано 15 перспективных соединений, из которых 4 показали проводимость выше 10⁻³ S cm⁻¹ при комнатной температуре.
Текущие вызовы и направления будущих исследований
- Недостаток качественных данных. Несмотря на рост открытых баз, многие свойства (например, усталостная прочность) всё ещё слабо представлены.
- Интерпретируемость моделей. Нужно развивать методы объяснения предсказаний (SHAP, LIME) для повышения доверия к AI‑системам.
- Мультифизические свойства. Современные модели часто фокусируются на одном типе свойства (механика, электроника). Важно создавать комплексные модели, учитывающие взаимосвязи.
- Верификация в реальном времени. Интеграция предсказаний в экспериментальные установки (например, в‑ситу синтез) позволит закрыть цикл «предсказание → синтез → проверка».
Современные подходы к предсказанию свойств материалов по их структуре уже доказали свою эффективность: точность моделей удвоилась, появились универсальные количественные методы, а простые физические модели позволяют быстро оценивать ключевые характеристики, такие как твёрдость. Интеграция методов машинного обучения, генеративных моделей и традиционных физических расчётов открывает новые горизонты в ускоренном поиске и оптимизации материалов.
В ближайшие годы ожидается дальнейшее развитие:
- Создание глобальных открытых репозиториев с полным набором экспериментальных и вычислительных данных.
- Развитие интерпретируемого AI, позволяющего ученым понимать «почему» предсказание имеет тот или иной результат.
- Широкое внедрение гибридных методов в промышленность, от авиастроения до биомедицинских имплантатов.
Таким образом, синергия структурного анализа и искусственного интеллекта уже сегодня меняет правила игры в материаловедении и обещает ещё более радикальные прорывы в ближайшем будущем.
Автор статьи: виртуальный помощник ChatGPT, 2026 г.