Углеродные Аллотропы: Новый Подход к Материаловедению

Автор: Денис Аветисян

Исследователи разработали инновационный метод поиска новых форм углерода, сочетающий возможности искусственного интеллекта и передовых вычислительных моделей.

Новые стабильные аллотропы углерода, предсказанные генеративной моделью, демонстрируют отсутствие мнимых частот в спектрах фононов, подтверждая их динамическую устойчивость; в частности, структуры, обозначенные как C3\_6, C24\_4, C22\_6, C10\_13, C16\_3 и C52\_15, представляют собой устойчивые конфигурации, рассчитанные с использованием модели NEP для определения дисперсионных соотношений фононов в элементарной ячейке.

В статье представлен AI-управляемый рабочий процесс, объединяющий большие языковые модели и машинное обучение потенциалов для открытия углеродных аллотропов с заданными тепловыми и механическими свойствами.

Поиск новых углеродных аллотропов с заданными тепловыми и механическими свойствами представляет собой сложную задачу, ограниченную вычислительными ресурсами. В работе, озаглавленной ‘LLM-driven discovery for carbon allotropes with bond-network entropy’, предложен инновационный подход, сочетающий большие языковые модели (LLM) и машинное обучение потенциалов для ускоренного поиска новых материалов. Установлено, что разработанный метод позволяет выявлять стабильные аллотропы углерода с экзотическими свойствами, такими как анизотропная теплопроводность и сверхнизкая поперечная жесткость, а также предсказывать фазы с отрицательным коэффициентом Пуассона и сверхтвердые материалы. Не откроет ли этот подход новую эру в материаловедении, позволяя целенаправленно проектировать материалы с уникальными характеристиками?

Преодолевая границы традиционного поиска материалов

Несмотря на значительные успехи в предсказании стабильных материалов, такие методы, как USPEX и CALYPSO, сталкиваются с серьезными вычислительными трудностями при исследовании обширного и сложного химического пространства. Каждая итерация поиска требует огромных ресурсов, особенно при увеличении числа атомов в ячейке или при рассмотрении систем с несколькими компонентами. Эта вычислительная дороговизна ограничивает возможность проведения всестороннего скрининга, вынуждая исследователей сосредотачиваться на относительно небольших подмножествах химических соединений. Кроме того, сложность химического пространства, характеризующаяся огромным количеством возможных структур и комбинаций элементов, делает задачу эффективного поиска новых материалов крайне сложной даже для самых мощных вычислительных систем.

Традиционные методы поиска материалов, такие как USPEX и CALYPSO, часто опираются на заранее определенные дескрипторы — наборы характеристик, описывающие структуру и свойства веществ. Данный подход, хотя и эффективен для исследования областей, близких к известным структурам, существенно ограничивает возможности обнаружения принципиально новых материалов. Суть проблемы заключается в том, что дескрипторы, разработанные на основе существующих знаний, могут упускать из виду неожиданные комбинации элементов и структурные особенности, которые приводят к совершенно новым свойствам. По сути, алгоритмы, использующие фиксированный набор дескрипторов, способны лишь оптимизировать известные типы структур, а не исследовать действительно неизведанные области химического пространства, что ставит под вопрос их применимость для открытия материалов с революционными характеристиками.

Ограниченность традиционных методов поиска материалов, таких как USPEX и CALYPSO, диктует необходимость кардинального пересмотра подходов к исследованию химического пространства. Вместо слепого перебора вариантов, требующего колоссальных вычислительных ресурсов, требуется переход к более эффективным и интеллектуальным стратегиям. Это подразумевает разработку алгоритмов, способных предсказывать свойства материалов на основе фундаментальных принципов, а не только на основе анализа известных структур. Перспективным направлением представляется использование методов машинного обучения и искусственного интеллекта для выявления закономерностей и прогнозирования стабильности новых соединений, что позволит значительно сократить время и затраты на поиск материалов с заданными характеристиками. Такой сдвиг парадигмы открывает возможности для создания материалов, обладающих уникальными свойствами, и решения сложных технологических задач.

Замкнутый цикл искусственного интеллекта, объединяющий генерацию новых материалов с помощью большой языковой модели CrystaLLM (итеративно предлагающей структуры с <span class="katex-eq" data-katex-display="false">C_{11}-C_{100}^{100}</span> атомами и уточняемой на основе DFT-верифицированных стабильных фаз) и итеративное улучшение машинного обучения потенциалов (MLP) посредством генерации данных в реальном времени, позволяет проводить высокопроизводительный скрининг и точную оценку тепловых/механических свойств с использованием GPUMD и ShengBTE симуляций. — Замкнутый цикл искусственного интеллекта, объединяющий генерацию новых материалов с помощью большой языковой модели CrystaLLM (итеративно предлагающей структуры с $C_{11}-C_{100}^{100}$ атомами и уточняемой на основе DFT-верифицированных стабильных фаз) и итеративное улучшение машинного обучения потенциалов (MLP) посредством генерации данных в реальном времени, позволяет проводить высокопроизводительный скрининг и точную оценку тепловых/механических свойств с использованием GPUMD и ShengBTE симуляций.

Язык как инструмент дизайна: возможности больших языковых моделей для генерации материалов

Подход, использующий большие языковые модели (LLM) в материаловедении, основан на представлении кристалографических данных в виде языка. Вместо традиционных методов поиска материалов, LLM обучаются на существующих кристаллических структурах, рассматривая атомы и их связи как элементы «лексики». Это позволяет модели предсказывать вероятные комбинации атомов и генерировать новые, потенциально стабильные кристаллические структуры, представляя собой инновационный способ исследования химического пространства и открытия материалов с заданными свойствами. Обученные модели могут создавать структуры, выраженные в виде списков координат атомов и информации о кристаллической решетке, которые затем могут быть проверены методами вычислительной физики.

Модели, такие как CrystaLLM и GNoME, демонстрируют возможность масштабирования подходов, основанных на больших языковых моделях (LLM), для исследования обширных химических пространств. CrystaLLM, обученная на базе данных кристаллических структур, способна генерировать новые, потенциально стабильные соединения. GNoME, в свою очередь, использует LLM для предсказания стабильности материалов и направленного поиска новых соединений с заданными свойствами. Обе модели используют LLM для изучения огромного количества комбинаций элементов и структур, значительно превосходя возможности традиционных методов скрининга материалов, позволяя исследовать химическое пространство в масштабе миллионов соединений и выявлять перспективные материалы для дальнейших исследований и экспериментов.

Первоначально сгенерированные большими языковыми моделями (LLM) кристаллические структуры часто требуют последующей оптимизации и уточнения для достижения реалистичных свойств и стабильности. Это связано с тем, что модели обучаются на существующих данных, и, хотя они могут генерировать новые комбинации, эти структуры не всегда соответствуют энергетической стабильности или другим физическим требованиям реальных материалов. Последующие этапы, такие как методы молекулярной динамики или предсказания на основе теории функционала плотности (DFT), используются для оценки и улучшения сгенерированных структур, корректируя атомные позиции и обеспечивая соответствие физическим законам. Необходимость в этой дополнительной оптимизации является важным фактором при оценке практической применимости LLM в материаловедении.

Обучение модели машинного обучения для потенциала углерода (NEP) демонстрирует сходимость, подтверждаемую снижением функций потерь и RMSE для энергии, силы и вириала, а также охватывает широкий спектр атомных окружений и структур, включая фуллерены, графен, алмаз и различные 3D-каркасы.

Активное обучение и уточнение MLP: двойной цикл оптимизации

Предложенная схема активного обучения с двойным циклом объединяет генеративные возможности больших языковых моделей (LLM) с предсказательной точностью моделей потенциальной энергии машинного обучения (MLP). LLM используются для генерации структурных предложений, в то время как MLP обеспечивают быструю и точную оценку энергетических свойств этих структур. Этот комбинированный подход позволяет эффективно исследовать пространство структурных конфигураций, используя LLM для создания разнообразных кандидатов и MLP для фильтрации и оптимизации этих кандидатов на основе их предсказанной стабильности и свойств. В результате, система использует сильные стороны обеих технологий для достижения более высокой эффективности и точности в задачах, требующих генерации и оптимизации структурных моделей.

В рамках предложенной схемы оптимизации, MatterSim и PINK Code используются для улучшения стабильности и предсказания ключевых свойств структур, сгенерированных большими языковыми моделями (LLM). MatterSim выполняет роль симулятора молекулярной динамики, позволяя оценивать энергетическую стабильность предложенных структур. PINK Code, в свою очередь, применяется для анализа и оптимизации этих структур с целью достижения заданных свойств, например, механической прочности или электронной проводимости. Комбинация этих инструментов позволяет эффективно отбирать наиболее перспективные структуры, полученные с помощью LLM, и уточнять их параметры для соответствия заданным критериям, обеспечивая тем самым более высокую точность и надежность предсказаний.

Для валидации оптимизированных структур и обеспечения их физической реалистичности были проведены высокоточные расчеты с использованием пакетов GPUMD, LAMMPS и CSLD. В результате обучения модели машинного обучения потенциалов (MLP) достигнута среднеквадратичная ошибка (RMSE) в 0.16 эВ/атом для энергии и 0.65 эВ/Å для силы. Эти значения RMSE демонстрируют высокую точность предсказания энергии и сил, необходимых для моделирования динамики материалов на основе оптимизированных структур, полученных с использованием предложенного подхода.

Модель NEP успешно валидирована по сравнению с расчетами DFT, демонстрируя четкое разделение атомных сред в пространстве дескрипторов для карбина, графена и алмаза (а), а также хорошее соответствие между предсказаниями NEP и DFT для энергии на атом, вириального напряжения и атомных сил (b-d), о чем свидетельствуют близкие к идеальным диагональным линиям на графиках.

Раскрытие новых аллотропов: от теории к потенциальным приложениям

Разработанный методологический подход позволил обнаружить новые стабильные аллотропы углерода, среди которых выделяются Yne-Diamond C12 и Yne-Hex-Diamond C8. Эти структуры, полученные в результате теоретического моделирования, демонстрируют эффективность предложенной исследователями схемы поиска и предсказания новых материалов. Обнаружение этих аллотропов подтверждает возможность создания углеродных структур, отличных от известных ранее, и открывает перспективы для дальнейших исследований в области материаловедения. Полученные результаты подчеркивают значимость вычислительных методов в разработке материалов с заданными свойствами и способствуют расширению знаний о разнообразных формах углерода.

Анализ, основанный на применении энтропии Шеннона и неравновесной молекулярной динамики в сочетании с уравнением Больцмана, позволил выявить уникальную структурную сложность недавно открытых углеродных аллотропов. Данные методы позволили исследовать не только статическую структуру материалов, но и их динамические свойства, в частности, теплопроводность. Выявленные особенности организации атомов, включающие смешанную гибридизацию $sp$ , $sp^2$ и $sp^3$ , указывают на потенциальную возможность создания материалов с заданными тепловыми характеристиками, отличающимися от традиционных углеродных структур. Исследование демонстрирует, что сложность структуры напрямую влияет на перенос энергии, открывая перспективы для разработки новых теплопроводящих или, наоборот, теплоизолирующих материалов на основе этих аллотропов.

Открытие новых углеродных аллотропов, характеризующихся смешанной гибридизацией $sp$ , $sp^2$ и $sp^3$ , открывает перспективы для создания материалов с заданными свойствами. Уникальное сочетание различных типов химических связей в этих структурах позволяет целенаправленно влиять на их механическую прочность, теплопроводность и электронные характеристики. Высокая энергия связи, варьирующаяся от 7.3 до 7.6 эВ на атом, сопоставимая с энергией связи экспериментально полученных фуллеренов (C60, около 7.6 эВ/атом), указывает на высокую стабильность этих соединений и потенциальную возможность их синтеза и применения в различных областях, включая электронику, материаловедение и нанотехнологии.

Сравнение фононных спектров и электронных структур трех выделяющихся аллотропов показывает, что уточнение потенциала NEP от начального (пунктир голубого цвета) к NEP2 (пунктир фиолетового цвета) значительно улучшает соответствие предсказаний данным DFT (сплошная красная линия), демонстрируя эффективность итераций активного обучения.

Новая эра в проектировании материалов: масштабирование и обобщение

Представленный подход демонстрирует значительный прорыв в области материаловедения, предлагая автоматизацию и ускорение процесса открытия новых материалов. Вместо традиционных методов, основанных на последовательных экспериментах и случайном поиске, разработанная методика использует вычислительные алгоритмы для предсказания свойств материалов и выявления наиболее перспективных кандидатов. Это позволяет существенно сократить время и затраты на разработку, а также открывает возможности для создания материалов с заданными свойствами, ранее недоступными для получения. Такой переход от эмпирического поиска к рациональному проектированию знаменует новую эру в материаловедении, где вычислительные методы играют ключевую роль в инновациях и технологическом прогрессе.

Предстоящие исследования направлены на расширение масштаба разработанной системы, чтобы охватить более широкий спектр химических составов и кристаллических структур. Это позволит значительно увеличить применимость подхода к разработке материалов, преодолевая ограничения, связанные с изучением лишь узкого круга соединений. Увеличение вычислительных ресурсов и оптимизация алгоритмов позволят исследовать гораздо большее количество потенциальных материалов, предсказывая их свойства с высокой точностью. Особое внимание будет уделено разработке методов, позволяющих эффективно обрабатывать и анализировать огромные объемы данных, получаемых в ходе моделирования, для выявления наиболее перспективных кандидатов для дальнейшего изучения и практического применения. Такой подход обещает ускорить процесс открытия новых материалов, адаптированных к конкретным задачам и требованиям.

Представленная методология знаменует собой важный шаг к эре, когда материалы будут разрабатываться с высокой степенью осознанности, адаптируясь к конкретным задачам и открываясь с невиданной ранее скоростью. Вместо традиционных, часто случайных, методов поиска, эта система позволяет целенаправленно конструировать вещества с заданными свойствами, значительно сокращая время и ресурсы, необходимые для инноваций. Ожидается, что подобный подход революционизирует различные отрасли, от энергетики и электроники до медицины и машиностроения, позволяя создавать материалы, идеально подходящие для решения самых сложных технологических задач и открывая путь к новым, ранее недоступным, возможностям.

Исследование, представленное в статье, демонстрирует новаторский подход к открытию новых углеродных аллотропов, используя синергию больших языковых моделей и потенциалов машинного обучения. Этот метод позволяет преодолеть ограничения традиционных способов поиска материалов, открывая возможности для создания веществ с заданными тепловыми и механическими свойствами. Как точно заметил Джон Стюарт Милль: “Свобода состоит в возможности делать то, что хочешь, пока не вредишь другим”. В данном контексте, “свобода” можно интерпретировать как свободу исследователя от предвзятых представлений и ограничений существующих методологий, а “вред” — как неэффективность и неспособность находить действительно инновационные материалы. Использование активного обучения, описанного в статье, позволяет целенаправленно исследовать пространство возможных структур, минимизируя затраты и максимизируя вероятность открытия полезных материалов.

Куда ведут эти пути?

Представленная работа, хотя и демонстрирует потенциал симбиоза больших языковых моделей и машинного обучения потенциалов для открытия новых углеродных аллотропов, лишь приоткрывает завесу над сложностью материаловедческих задач. Очевидно, что предложенный рабочий процесс — это не столько окончательный ответ, сколько приглашение к дальнейшим исследованиям. Настоящим вызовом остаётся преодоление ограничений, связанных с вычислительными затратами и необходимостью валидации полученных результатов экспериментальными данными — иллюзия «in silico» материаловедения всё ещё нуждается в подтверждении реальностью.

Перспективным направлением представляется разработка более гибких и адаптивных языковых моделей, способных учитывать не только структурные, но и электронные свойства материалов. Не менее важной задачей является интеграция активного обучения с более эффективными стратегиями выборки данных, что позволит снизить потребность в дорогостоящих расчётах «first principles». В конечном счёте, успех материаловедения будущего, вероятно, будет определяться не столько мощностью алгоритмов, сколько способностью исследователей задавать правильные вопросы и интерпретировать полученные ответы.

Нельзя исключать и возможность переноса данной методологии на другие классы материалов, расширяя горизонты поиска соединений с заданными свойствами. Однако, следует помнить, что каждый новый материал — это уникальная система, требующая индивидуального подхода и критического осмысления. Поиск совершенного материала — это, возможно, утопия, но стремление к ней — двигатель прогресса.

Оригинал статьи: https://arxiv.org/pdf/2602.22706.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-28 21:53

🚀 Квантовые новости