Самооптимизирующийся рабочий процесс с машинно-обучаемым потенциалом для быстрой разработки материалов сложных систем

Более умные поиски новых материалов

Создание новых материалов сродни поиску иголки в почти бесконечном стоге сена. От улучшенных батарей и более быстрых компьютеров до более эффективных лазеров и потенциальных сверхпроводников при комнатной температуре — множество будущих технологий зависят от нахождения именно правильных атомных решеток. В этой статье предложен способ, позволяющий искусственному интеллекту автоматически выполнять большинство таких поисков, существенно сокращая время и затраты на поиск перспективных соединений.

Почему задача материалов так сложна

Свойства твердого тела — насколько хорошо оно проводит электричество, насколько оно прочное, как реагирует на свет — определяются тем, как атомы располагаются в трехмерных узорах, называемых кристаллическими структурами. Теоретически можно использовать квантовую механику, чтобы вычислить, какие структуры стабильны и какими будут их свойства. На практике эти квантовые расчеты настолько ресурсоемки, что проверке подвергается лишь малая часть возможных материалов. Сложность растет особенно быстро, когда в системе более двух химических элементов: количество комбинаций и возможных атомных расположений взрывообразно увеличивается, делая слепой поиск невозможным.

Дать модели учиться вместо квантовой физики

Чтобы справиться с этой проблемой, авторы построили модель машинного обучения, способную имитировать результаты дорогостоящих квантовых расчетов за ничтожную долю времени и ресурсов. Их модель, названная attention-coupled neural network (ACNN), обучается тому, как энергия материала зависит от положений и типов его атомов. После обучения она может быстро оценивать, насколько предложенная кристаллическая структура вероятно стабильна, и какие силы действуют на каждый атом. Важно, что модель спроектирована с учетом базовых физических требований, например того, что сдвиг или поворот всей кристаллической структуры не должны менять ее суммарную энергию.

Самоусовершенствующийся цикл поиска материалов

Вместо того чтобы обучить модель один раз и надеяться, что она подойдет повсеместно, авторы помещают ее в самооптимизирующийся цикл. Процесс начинается с малого набора случайных кристаллических структур, которые оцениваются полными квантово-механическими расчетами и используются для обучения начальной ACNN. Эта модель затем применяются для релаксации миллионов пробных структур, быстро находя локальные минимумы энергии — кандидаты на стабильные или почти стабильные фазы. Рабочий процесс автоматически помечает два особенно ценных типа структур: те, которые выглядят очень стабильными, и те, которые кажутся нефизичными или подозрительными. Только эти отобранные случаи отправляются обратно к дорогостоящему квантовому решателю, а новые результаты добавляются в набор для дообучения модели. В ходе многих итераций модель становится постепенно точнее в тех областях пространства структур, которые имеют наибольшее значение.

Проверка метода на практике

Команда демонстрирует свой подход на двух сложных системах. Первая — смесь магния, кальция и водорода при высоком давлении, семейство соединений, представляющее большой интерес для высокотемпературной сверхпроводимости. Исследуя почти шесть миллионов пробных структур, рабочий процесс выявил новую стабильную фазу MgCa₃H₂₃ и несколько близких по строению богатых водородом «клеточных» структур. Расчеты указывают на то, что некоторые из них при экстремальном давлении могут стать сверхпроводящими при температурах выше точки кипения жидкого азота. Вторая проверка нацелена на четырехэлементную систему, содержащую бериллий, фосфор, азот и кислород, выбранную за потенциал создания кристаллов, эффективно преобразующих лазерный свет в глубокие ультрафиолетовые длины волн. Здесь метод релаксировал более девяти миллионов структур и выявил три термодинамически стабильные фазы с очень широкими запрещенными зонами и перспективными оптическими характеристиками.

От грубой силы к целенаправленному поиску

В обоих примерах автоматизированный рабочий процесс обеспечивает ускорение примерно в десять тысяч раз по сравнению с использованием одних только квантовых расчетов, при этом надежно выделяя структуры, заслуживающие более детального изучения. Для неспециалиста ключевая мысль такова: большая часть открытия материалов теперь может выполняться системой, которая сама учится, где она неуверенна, и запрашивает целевые высокоточные расчеты только по мере необходимости. Такой самокорректирующийся поиск с поддержкой ИИ открывает возможность исследовать гораздо более сложные смеси элементов, чем было возможно ранее, увеличивая шансы обнаружить новые сверхпроводники, оптические кристаллы и другие функциональные материалы, лежащие в основе технологий следующего поколения.

Цитирование: Li, J., Feng, J., Luo, J. et al. Self-optimizing machine learning potential assisted automated workflow for highly efficient complex systems material design. npj Comput Mater 12, 101 (2026). https://doi.org/10.1038/s41524-026-01971-9

Ключевые слова: открытие материалов, потенциалы машинного обучения, предсказание кристаллических структур, сверхпроводящие гидриды, нелинейные оптические кристаллы