|
ИИ разрабатывает новые материалы
|
|
|
|
После успеха больших языковых моделей большой интерес вызвала концепция больших моделей материалов как вычислительных моделей с глубоким обучением для проектирования материалов. Тем не менее, задача получения больших моделей материалов представляется довольно сложной, учитывая присущую материалам сложность взаимосвязи между структурой и свойствами.
|
|
|
|
Исследовательская группа из Университета Цинхуа, возглавляемая профессором Юн Сюем и профессором Вэньхуэй Дуанем, попыталась решить эту проблему, разработав модели больших материалов с использованием метода гамильтониана теории функционала плотности глубокого обучения (DeepH).
|
|
|
|
Теория функционала плотности (DFT) стала очень ценным подходом, основанным на первых принципах, для проектирования вычислительных материалов и является одним из самых популярных методов в вычислительном материаловедении. Гамильтониан DFT служит фундаментальной величиной в DFT-вычислениях, позволяя легко получать все другие физические величины, включая полную энергию, плотность заряда, зонную структуру, физические реакции и т.д.
Работа команды опубликована в журнале Science Bulletin.
|
|
|
|
|
|
|
Несмотря на то, что метод DeepH широко применяется для изучения конкретных материалов, разработка универсальной модели материалов DeepH, способной учитывать различные структуры материалов для большинства элементов периодической таблицы Менделеева, остается труднодостижимой задачей. DeepH использует предварительные знания в области физики для повышения эффективности своей модели.
|
|
|
|
Предварительные знания включают фундаментальный принцип равновариантности, а также "принцип квантовой близорукости". Последний принцип гласит, что локальные величины, такие как гамильтониан DFT, могут определяться соседней химической средой, а не всей структурой материала, что обеспечивает хорошую переносимость моделей DeepH. По сравнению с моделями конкретных материалов разработка универсальной модели материалов DeepH представляет собой сложную задачу с точки зрения обобщаемости и надежности метода.
|
|
|
|
Исследовательская группа впервые создала большую базу данных DFT, содержащую вычислительные данные о более чем 10 000 материальных структурах. Основываясь на этой базе данных материалов и усовершенствованном методе DeepH (DeepH-2), исследователи создали универсальную модель материалов DeepH, способную работать с различными элементными составами и структурами материалов, достигая замечательной точности в прогнозировании свойств материалов. Надежность модели была продемонстрирована путем точного прогнозирования свойств материалов сложных тестируемых конструкций.
|
|
|
|
Эта работа не только демонстрирует концепцию универсальной модели материалов DeepH, но и закладывает основу для разработки больших моделей материалов, открывая значительные возможности для продвижения исследований материалов, основанных на искусственном интеллекте.
|
|
|
|
Источник
|
