Ученые из Сколтеха создали модель нейронной сети, вычисляющую сверхтвердые материалы. Обнаружено, что помимо алмазов возможно существование и других сверхтвердых веществ.
Сверхтвердые материалы интересны ученым, поскольку применимы во многих отраслях: добыча нефти, металлообработка, ювелирное дело, станкостроение, микроэлектроника, производство высоких технологий. Их используют при бурении, резке, полировании, шлифовании. Поэтому важно обнаружение новых соединений, обладающих свойствами сверхтвердых материалов.
На данный момент алмаз является самым твердым известным материалом. Но его применения не всегда целесообразно и дорого. Поэтому, например, головки для буровых установок давно изготавливают из победита — соединения вольфрама с кобальтом, содеражащего вкрапление алмазов. Еще один известный сверхпрочный материал — лонсдейлит — углеродный кристалл, разновидность алмаза. Он имеет в основе не кубическую решетку, а гексагональную. По подсчетам лонсдейлит может быть тверже алмаза в 1,5 раза и способен его резать. Однако в природе в чистом виде встретить его практически невозможно.
Твердость и трещиностойкость — два важных свойства сверхтвердых материалов. Первое — говорит об устойчивости к разрушениям, а второе — к образованию трещин и расколам. Машинное обучение помогает обнаружить требуемые свойства при помощи методов вычислительного материаловедения. Теоретическая модель, лежащая в основе, позволяет опознавать соответствующие свойства.
Фото: Unsplash
Модель создал 25-ти летний Ефим Мажник — выпускник МФТИ и аспирант Центра энергетических технологий Сколтеха, Лаборатории компьютерного дизайна новых материалов. Научное руководство работой осуществлял Артем Оганов, профессор Сколтеха и МФТИ. В центре изучения Оганова теоретический дизайн новых материалов, состояние веществ при высоких давлениях, разработка методов предсказания структуры и свойств веществ. В 2018 году он с коллегами предсказал существование борида вольфрама WB5 с кристаллами, твердость которых превосходит победитовые сплавы.
Ученые разработали метод предсказывать свойства материала по его кристаллической решетке при помощи сверточных нейронных сетей на графах.
Сверточные нейронные сети — специальная архитектура искусственных нейронных сетей, которая направлена на распознавание образов и является частью deep learning (глубокого обучения). Название сеть получила от операции «свертка», во время которой каждый фрагмент изображения умножается точечно на элементы матрицы свертки. Суммированный результат относят на аналогичную позицию выходного изображения.
Такие сети можно обучить разбираться в свойствах даже тех материалов, с которыми они раньше не встречались.
Ефим Мажник объясняет, что из-за недостаточности данных по необходимым моделям они использовали промежуточные свойства — упругие модули, по ним больше доступных характеристик.
Артем Оганов добавил, что с помощью модели расчитали свойства «для более 120 тыс. известных и гипотетических кристаллических структур». «Наша модель подтверждает, что алмаз является самым твердым, из известных веществ, но также указывает на несколько десятков других потенциально высокотвердых и сверхтвердых материалов», — объяснил Оганов.
Результаты научного исследования опубликованы в журнале Journal of Applied Physics. Грант на исследование поддержал Российский Научный Фонд (РНФ).
Лаборатория компьютерного дизайна новых материалов Сколтеха создана год назад в рамках совместного проекта РНФ и «Газпромнефть НТЦ».
Автор: Tati_dr
