Учёные MIT научили ИИ предсказывать свойства сплавов без дорогих экспериментов
Команда MIT создала метод машинного обучения, который точно моделирует поведение металлических сплавов с любой сложностью химического состава. Вместо 100 000+ часов вычислений и реальных испытаний новый подход строит компактные обучающие датасеты, охватывающие максимум разнообразия атомных окружений. Модели превзошли по точности решения Google и Microsoft и уже проверены на реальных экспериментальных данных.
Разработка новых материалов — узкое место для аэрокосмоса, энергетики и электроники. Метод MIT радикально ускоряет и удешевляет этот процесс, заменяя дорогие эксперименты точными симуляциями. Это может ускорить появление новых сталей, сплавов для космоса и материалов для чипов.
Проблема: симуляции не справляются с беспорядком
Аэрокосмические, энергетические и чиповые компании постоянно ищут новые материалы. Но даже самые мощные симуляции не могли точно смоделировать поведение большинства современных твёрдых материалов из-за их химического беспорядка — атомы элементов расположены неупорядоченно, создавая огромное разнообразие локальных окружений. Каждый металл, который мы используем на практике, химически неупорядочен.
Существующий подход к созданию обучающих данных для моделей «атом-за-атомом» требовал более 100 000 часов вычислений на один материал методом грубой силы. Даже после этого модели плохо переносились на сплавы с другим составом.
Решение: умные датасеты вместо перебора
Команда Родриго Фрейтаса (Rodrigo Freitas) из MIT применила теорию информации для построения обучающих датасетов. Вместо случайной выборки они:
- Анализировали частоту и расположение крошечных групп атомов
- Заменяли повторяющиеся примеры на новые химические окружения
- Максимизировали разнообразие, чтобы каждый пример добавлял что-то уникальное
«Мы оптимизировали обучающий набор так, чтобы он покрывал максимум разных локальных окружений, — объясняет Фрейтас. — Если одна и та же среда встречалась много раз, мы заменяли избыточные образцы на те, что модель ещё не видела».
Результаты: точнее гигантов индустрии
Исследователи протестировали подход на группе химически разнообразных металлических сплавов. Их модели:
- Превзошли по точности гораздо более крупные модели Google и Microsoft
- Точно предсказали свойства материалов при разных условиях
- Совпали с реальными экспериментальными данными по атомному упорядочению в сплавах (совместно с Университетом Шеффилда)
«Если вы не можете точно описать химическую связь между атомами, симуляция не расскажет, что произойдёт с конкретным материалом в реальном мире, — говорит Фрейтас. — Этот подход делает симуляции высокоточными по химии».
Применение: от стали до полупроводников
Метод не привязан к металлам — его можно адаптировать для полупроводников и других материалов. Потенциальные применения:
- Разработка устойчивых сталей
- Новые материалы для аэрокосмической отрасли
- Ускорение R&D там, где эксперименты дороги
Публикация вышла в Science Advances. Авторы: Киллиан Шериф (первый автор), Дэниел Сяо, Ифан Цао (PhD-студенты MIT) и Льюис Оуэн (Университет Шеффилда).
Ключевые выводы
- Химический беспорядок в сплавах — главная проблема современных симуляций материалов
- Умная выборка обучающих данных через теорию информации эффективнее перебора на порядки
- Компактные специализированные модели могут превосходить гигантские универсальные решения от техногигантов
- Подход применим не только к металлам, но и к полупроводникам и другим материалам
- Точные симуляции химических связей позволяют избежать дорогостоящих физических экспериментов
Автор: Артём Ковалёв · Источник: news.mit.edu
**Это один из тех случаев, когда умный подход бьёт грубую силу.** Вместо того чтобы скармливать модели терабайты данных, команда MIT показала: важнее *какие* данные ты даёшь, а не *сколько*. Теория информации помогла отсечь повторы и сфокусироваться на разнообразии атомных окружений — и модель стала точнее гигантов от Google и Microsoft.
Особенно впечатляет практическая проверка: результаты совпали с реальными экспериментами. Это не просто красивая статья — это инструмент, который аэрокосмические и чиповые компании могут использовать прямо сейчас, чтобы не тратить месяцы на физические испытания каждого нового сплава. Правда, пока неясно, насколько легко метод масштабируется на ещё более сложные системы — но даже текущий результат уже экономит миллионы.
Комментарии