Подход «граф кристалла — в вектор» для прогнозирования магнитных свойств

Почему более умные магниты важны

Магниты лежат в основе жёстких дисков, электродвигателей, медицинских томографов и новых квантовых устройств. Проектирование новых магнитных материалов, однако, остаётся медленным и дорогостоящим, потому что каждый кандидат обычно нужно либо подробно смоделировать, либо изготовить и испытать в лаборатории. В этой работе представлен новый обходной путь: компактный способ описания кристаллов, который позволяет стандартным инструментам машинного обучения быстро и надёжно предсказывать, насколько материал магнитен и насколько устойчивой является его магнитность. Подход обещает ускорить поиск лучших магнитов, затрачивая при этом гораздо меньше данных и вычислительных ресурсов, чем современные глубокие модели.

От сложных кристаллов к простым числам

На атомном уровне магнетизм возникает из неспаренных электронов и того, как их крошечные спины выравниваются в материале. Традиционные вычислительные методы, такие как теория функционала плотности, пытаются отслеживать эти электроны напрямую. Они точны, но дороги, особенно для крупных или сложных кристаллов. В последнее время стали популярны графовые нейронные сети: они рассматривают кристалл как сеть атомов, связанных связями, и обучаются путём многократной передачи сообщений по этим связям. Хотя такие глубокие модели мощные, они обычно требуют больших, чистых наборов данных и значительного вычислительного времени, и всё ещё могут испытывать трудности с описанием дальнодействующих магнитных эффектов.

Новый способ кодирования кристалла

Авторы предлагают иную стратегию, названную CG-Vec (crystal graph to vector). Вместо того чтобы учиться всему с нуля, они закладывают физические знания с самого начала. Каждому атому в графе кристалла присваиваются базовые свойства, такие как атомный номер, масса и электронное сродство, а также два магнитных индикатора: число неспаренных электронов во внешней оболочке и спин-одинокий магнитный момент, который эти электроны должны давать. Связи между атомами описываются гладкими функциями расстояния между ними. Для каждого кристалла метод затем суммирует всю атомную и связевую информацию в числовой вектор фиксированной длины, вычисляя простую статистику — в основном среднее и разброс каждой характеристики по структуре.

Дать классическому машинному обучению выполнить работу

После преобразования кристалла в этот вектор его можно подать в проверенные алгоритмы, такие как случайный лес или градиентный бустинг. Эти методы быстрые, устойчивые на небольших наборах данных и дают способы понять, какие входные признаки наиболее важны. Авторы протестировали CG-Vec на нескольких наборах материалов, взятых из крупных онлайн-баз. В эти наборы входили тысячи трёхмерных и двумерных соединений с известными энергиями формирования, значениями запрещённой зоны, величинами намагниченности и температурами Кюри — температурой, при которой магнит теряет дальнодействующий порядок. Все данные были тщательно очищены, чтобы модели обучались на согласованных и надёжных примерах.

Преимущество перед глубокими сетями при дефиците данных

Команда сравнила три подхода: стандартную графовую нейронную сеть для кристаллов, её версию с учётом спина, которой дали дополнительные магнитные признаки, и новую представление CG-Vec в сочетании с моделью случайного леса. Для свойств, главным образом определяемых короткодействующими связями, таких как энергия формирования и ширина запрещённой зоны, глубокая сеть показала себя очень хорошо, часто немного опережая CG-Vec на самых больших наборах данных. Но когда акцент сместился на магнитные свойства — особенно на намагниченность в ферримагнитных соединениях и температуру Кюри — баланс изменился. В этих случаях CG-Vec сопоставлялcя или превосходил графовые сети, особенно когда было доступно лишь несколько сотен до нескольких тысяч обучающих примеров. Векторный подход также использовал намного меньше памяти и был на порядок быстрее в обучении и предсказании.

Понимание факторов, определяющих магнетизм

Поскольку CG-Vec использует явные, физически осмысленные признаки, авторы смогли выяснить с помощью инструментов интерпретируемости, какие из них имеют наибольшее значение. Они обнаружили, что средние значения и разброс атомных магнитных моментов, детали заполнения валентных электронов и определённые диапазоны межатомных расстояний являются сильнейшими факторами, определяющими предсказания намагниченности модели. Эта картина поддерживает идею о том, что многие магнитные поведения больше зависят от общей электронной структуры материала и того, как спины распределены по разным атомным позициям, чем от тонких структурных особенностей. Это также объясняет, почему компактное, глобальное описание может хорошо обобщать без глубины и сложности современных графовых сетей.

Практический путь к более быстрой разработке материалов

Проще говоря, исследование показывает, что тщательно продуманные сводки кристалла — основанные на базовой химии и магнитизме — могут соперничать с тяжёлыми моделями глубокого обучения или превосходить их при прогнозировании ключевых магнитных свойств, особенно при ограниченных данных. CG-Vec предлагает лёгкий, интерпретируемый инструмент, который превращает детальные кристаллические структуры в управляемые наборы чисел, с которыми стандартные методы машинного обучения легко справляются. Снижая требования к данным и вычислениям, этот подход может сделать виртуальный отбор материалов следующего поколения более доступным для исследовательских групп и промышленности, помогая быстрее переводить перспективные кандидаты от компьютера в лабораторию.

Цитирование: Singh, S., Sharma, A. & Kashyap, A. A crystal graph to vector approach for predicting magnetic properties. Sci Rep 16, 13160 (2026). https://doi.org/10.1038/s41598-026-40902-y

Ключевые слова: магнитные материалы, машинное обучение, графовые нейронные сети, информатика материалов, температура Кюри