Предсказаны новые сверхтвердые материалы

Друзья, с момента основания проекта прошло уже 20 лет и мы рады сообщать вам, что сайт, наконец, переехали на новую платформу.

Какое-то время продолжим трудится на общее благо по адресу https://n-n-n.ru.
На новой платформе мы уделили особое внимание удобству поиска материалов.
Особенно рекомендуем познакомиться с работой рубрикатора.

Спасибо, ждём вас на N-N-N.ru

Группа ученых из Сколтеха применила методы машинного обучения для предсказания сверхтвердых веществ по кристаллической структуре. Помимо алмаза ученые обнаружили возможность существования нескольких десятков других сверхтвердых материалов. Результаты исследования опубликованы в журнале Journal of Applied Physics.

Сверхтвердые материалы все чаще становятся предметом научных исследований, поскольку важны во многих отраслях, начиная от добычи нефти и заканчивая высокотехнологичным производством.

Для таких материалов обычно важны два свойства – твердость и устойчивость к растрескиванию. Первое показывает, насколько материал устойчив к разрушениям, в то время как второе свойство определяет способность материала сопротивляться развитию трещин.

Используя современные методы вычислительного материаловедения, материалы с необходимыми для индустрии свойствами можно находить прямо на компьютере. Чтобы применить эти методы к сверхтвердым материалам, необходима хорошая теоретическая модель, которая бы позволила вычислять соответствующие свойства.

Такую модель создал аспирант Центра энергетических технологий Сколтеха (Лаборатория компьютерного дизайна новых материалов) Ефим Мажник под руководством профессора Сколтеха и МФТИ Артема Оганова. В своей работе он использовал сверточные нейронные сети на графах – метод машинного обучения, позволяющий предсказывать свойства материала по его кристаллической структуре. Используя набор материалов с заранее известными свойствами, такие сети можно научить вычислять эти свойства для структур, которых они ранее не видели.

«Поскольку экспериментальных данных по твердости и трещиностойкости недостаточно для полноценного обучения таких моделей, мы использовали промежуточные свойства – упругие модули, данных по которым гораздо больше. Предсказывая значения таких модулей, мы смогли получить и искомые свойства, используя ранее созданную нами физическую модель», – рассказывает Ефим Мажник.

«В этой работе с помощью машинного обучения мы рассчитали твердость и трещиностойкость для более 120 тысяч известных и гипотетических кристаллических структур – для большинства из которых эти свойства никогда не изучались. Наша модель подтверждает, что алмаз является самым твердым из известных веществ, но также указывает на несколько десятков других потенциально высокотвердых или сверхтвердых материалов», – комментирует Артем Оганов.

Работа поддержана грантом РНФ.

Пожалуйста, оцените статью:
Ваша оценка: None Средняя: 5 (6 votes)
Источник(и):

Naked Science