Statistika Riyaziyyat İnstitutu və Panasonic Holdings Korporasiyasının tədqiqat qrupu material kompozisiyalarından kristal strukturların sürətli və dəqiq proqnozlaşdırılmasını təmin edən ShotgunCSP adlı maşın öyrənmə alqoritmini işləyib hazırlayıb. Alqoritm kristal quruluşun proqnozlaşdırılması meyarlarında dünya üzrə aparıcı performansa nail olmuşdur.

Kristal strukturun proqnozlaşdırılması xüsusi şərtlər altında qəbul edilmiş hər hansı bir kimyəvi birləşmə üçün sabit və ya metastabil kristal strukturları müəyyən etməyə çalışır. Ənənəvi olaraq, bu proses sabit atom konfiqurasiyalarını tapmaq üçün vaxt aparan birinci prinsiplərin hesablamalarından və enerjinin minimuma endirilməsi problemlərinin həllindən istifadə edərək təkrarlanan enerji qiymətləndirmələrinə əsaslanır . Bu problem 20-ci əsrin əvvəllərindən bəri materialşünaslığın təməl daşı olmuşdur.

Son zamanlar hesablama texnologiyasındakı irəliləyişlər və generativ süni intellekt bu sahədə yeni yanaşmalara imkan yaratmışdır. Bununla belə, irimiqyaslı və ya mürəkkəb molekulyar sistemlər üçün nəhəng faza fəzalarının hərtərəfli tədqiqi böyük hesablama resursları tələb edir ki, bu da onu material elmində həll olunmamış məsələyə çevirir.

Komanda aşkar etdi ki, maşın öyrənmə alqoritmlərindən istifadə sabit kristal strukturlara xas olan simmetriya nümunələrini yüksək dəqiqliklə proqnozlaşdırmağa imkan verir. Axtarış sahəsini kəskin şəkildə azaltmaq üçün bu proqnozlaşdırıcılardan istifadə etməklə onlar birinci prinsiplərin təkrarlanan hesablamalarına ehtiyacı aradan qaldırdılar. Bu sadələşdirilmiş yanaşma nümayiş etdirdi ki, hətta böyük və mürəkkəb sistemlər üçün də sabit strukturlar olduqca yüksək dəqiqlik və səmərəliliklə proqnozlaşdırıla bilər.

Bu araşdırma npj Computational Materials jurnalında dərc olunub .

https://googleads.g.doubleclick.net/pagead/ads?client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1645945215&adf=4054963813&pi=t.ma~as.8188791252&w=750&abgtt=6&fwrn=4&fwrnh=100&lmt=1744865719&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-04-crystallography-ai-high-crystal.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM1LjAuNzA0OS45NSIsbnVsbCwwLG51bGwsIjY0IixbWyJHb29nbGUgQ2hyb21lIiwiMTM1LjAuNzA0OS45NSJdLFsiTm90LUEuQnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjEzNS4wLjcwNDkuOTUiXV0sMF0.&dt=1744865719731&bpp=1&bdt=80&idt=181&shv=r20250410&mjsv=m202504140101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Df22668bce9793ae4%3AT%3D1735196613%3ART%3D1744865544%3AS%3DALNI_Mb4Xpwl1SO1AcvqroR6xccDm_sheQ&gpic=UID%3D00000f7c5320f40b%3AT%3D1735196613%3ART%3D1744865544%3AS%3DALNI_Mb1dz_DHiT2yDzXLMaB9CDkQl4XGg&eo_id_str=ID%3Dcdf7f2f01784f52d%3AT%3D1735196613%3ART%3D1744865544%3AS%3DAA-Afjb8kbeupLLyQ0QHQmZxpM4v&prev_fmts=0x0&nras=1&correlator=1615714094169&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1760&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95355972%2C95355974%2C31091833%2C95330278%2C95353420%2C31091783%2C95357878%2C31090357%2C95357716&oid=2&pvsid=875107289211545&tmod=1416461313&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7Co%7CpeEbr%7C&abl=NS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=188

Tədqiqatın nəticələri

Kristallar vaxtaşırı düzülən atomlar və ya molekullar tərəfindən əmələ gələn bərk cisimlərdir və yarımkeçiricilərdə, dərman preparatlarında, batareyalarda və bir çox başqa tətbiqlərdə istifadə olunur. Kristalın quruluşu materialın xüsusiyyətlərinə əhəmiyyətli dərəcədə təsir göstərir. Materialın inkişafı prosesində materialların sintezi xeyli vaxt və səy tələb edir ki, bu da kristal strukturların əvvəlcədən proqnozlaşdırılması üsullarını son dərəcə vacib edir.

Kimyəvi tərkiblərdən enerji baxımından sabit və ya metastabil kristal strukturların proqnozlaşdırılması material elmində uzun müddətdir davam edən problem olmuşdur. Prinsipcə, kristal strukturları atom konfiqurasiya məkanında enerjinin minimuma endirilməsi məsələlərini həll etməklə müəyyən edilə bilər, enerji qiymətləndirmələri adətən sıxlığın funksional nəzəriyyəsinə əsaslanan birinci prinsiplərin hesablamalarından istifadə etməklə həyata keçirilir.

Kristal strukturunun proqnozlaşdırılması (CSP) adətən birinci prinsiplər üzrə hesablamaları optimallaşdırma alqoritmləri ilə birləşdirməklə həll edilir. Məsələn, enerji landşaftında qlobal və ya yerli minimumların axtarışında enerji qradiyenti boyunca atom konfiqurasiyalarını iterativ olaraq dəyişdirmək üçün genetik alqoritmlər tez-tez istifadə olunur.

Bununla belə, bu ənənəvi yanaşmalar hər addımda birinci prinsiplər üzrə hesablamalar vasitəsilə çoxlu sayda namizəd strukturlarının iterativ şəkildə rahatlamasını tələb edir ki, bu da son dərəcə yüksək hesablama xərcləri ilə nəticələnir. Bu məhdudiyyət, mövcud metodların kristal strukturların dəqiq həllində əhəmiyyətli çətinliklərlə üzləşdiyi, vahid hüceyrədə 30-40 və ya daha çox atom ehtiva edən geniş miqyaslı sistemlər üçün xüsusilə kəskin olur.

Gündəlik anlayışlar üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosda ən son yenilikləri kəşf edin . Pulsuz xəbər bülleteni üçün qeydiyyatdan keçin və mühüm nailiyyətlər, yeniliklər və tədqiqatlar haqqında gündəlik və ya həftəlik yeniləmələr əldə edin .Abunə ol

Son etalon tədqiqatlar göstərdi ki, mövcud CSP alqoritmləri bütün kristal sistemlərin yalnız 50%-dən azını proqnozlaşdıra bilir və onların performansında əhəmiyyətli məhdudiyyətləri vurğulayır.

Tədqiqat qrupu təkrarlanan birinci prinsiplərin hesablamalarına ehtiyacı aradan qaldıran təkrarlanmayan CSP alqoritminin işlənib hazırlanmasına diqqət yetirdi. Birincisi, onlar birinci prinsiplər üzrə hesablamaların enerji hesablamasını təxmin etmək üçün maşın öyrənməsindən istifadə edərək enerji proqnozlaşdırıcısı qurdular. Köçürmə öyrənməsini tətbiq etməklə onlar tapdılar ki, yüksək dəqiqlikli enerji proqnozlaşdırıcısı yalnız az sayda təlim məlumatı ilə yaradıla bilər.

Sonra, perspektivli virtual kristal strukturlar yaratmaq üçün yeni hazırlanmış kristal quruluş generatorundan istifadə etdilər. Enerji proqnozlaşdırıcısı daha sonra sabit strukturlara səbəb ola biləcək namizədləri daraltmaq üçün istifadə edilmişdir.

Nəhayət, onlar seçilmiş namizədlərin enerjilərini rahatlaşdırmaq üçün birinci prinsiplərin hesablamalarını tətbiq etdilər və ən aşağı enerjiyə çatan kristal quruluşa əsaslanaraq sabit strukturu proqnozlaşdırdılar. Bu alqoritm geniş əraziyə yayılan və yalnız vuruşları diqqətlə təhlil edən ov tüfənginin təsvirindən ilhamlanaraq ShotgunCSP adlandırıldı.

ShotgunCSP-nin əsas komponenti kristal quruluş generatorudur. Böyük miqyaslı sistemlərin struktur məkanı geniş olduğundan, axtarış məkanının səmərəli şəkildə daraldılması çox vacibdir. Komanda aşkar etdi ki, maşın öyrənməsi hər hansı bir kompozisiya (məsələn, kosmik qruplar və Wyckoff mövqeləri) üçün sabit strukturun simmetriyasını olduqca yüksək dəqiqliklə proqnozlaşdırmaq üçün istifadə edilə bilər. Bu irəliləyiş axtarış sahəsinin səmərəli şəkildə azaldılmasına imkan verdi, yüksək dəqiqlikli proqnozları qoruyarkən hesablama xərclərini əhəmiyyətli dərəcədə aşağı saldı.

Kosmik qruplar kristalların simmetriyasını səciyyələndirən, kristal qəfəsdə atom düzülməsini ilkin mövqelərinə uyğunlaşdıran həndəsi əməliyyatlar toplusunu (tərcümə, fırlanma, inversiya və əksetmə kimi) təmsil edən riyazi çərçivələrdir. Bütün kristallar 230 fərqli kosmik qrupa təsnif edilir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1645945215&adf=3096487112&pi=t.ma~as.8188791252&w=750&abgtt=6&fwrn=4&fwrnh=100&lmt=1744865747&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-04-crystallography-ai-high-crystal.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM1LjAuNzA0OS45NSIsbnVsbCwwLG51bGwsIjY0IixbWyJHb29nbGUgQ2hyb21lIiwiMTM1LjAuNzA0OS45NSJdLFsiTm90LUEuQnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjEzNS4wLjcwNDkuOTUiXV0sMF0.&dt=1744865719732&bpp=1&bdt=81&idt=223&shv=r20250410&mjsv=m202504140101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Df22668bce9793ae4%3AT%3D1735196613%3ART%3D1744865544%3AS%3DALNI_Mb4Xpwl1SO1AcvqroR6xccDm_sheQ&gpic=UID%3D00000f7c5320f40b%3AT%3D1735196613%3ART%3D1744865544%3AS%3DALNI_Mb1dz_DHiT2yDzXLMaB9CDkQl4XGg&eo_id_str=ID%3Dcdf7f2f01784f52d%3AT%3D1735196613%3ART%3D1744865544%3AS%3DAA-Afjb8kbeupLLyQ0QHQmZxpM4v&prev_fmts=0x0%2C750x280%2C1005x124&nras=2&correlator=1615714094169&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=4539&biw=1905&bih=945&scr_x=0&scr_y=779&eid=95355972%2C95355974%2C31091833%2C95330278%2C95353420%2C31091783%2C95357878%2C31090357%2C95357716&oid=2&psts=AOrYGskEOEhU7eFZzFUDw5Jm1DtCn0mPbvKN-crhvPygnGRqJ46JVdLoOufrQbwhBvobxRUH_lClfUOjzvNLC20_rgwGQhLM%2CAOrYGskSQlyxPPtd28UK05n0uDoih3U0joS3HqCtHf0jvjLgdphxa95n4yqrbenRtr4lfdktdsEfLAmrMhy6p9NQULfQVFZKcnSIN_nTS7EO8O3tGmC03w&pvsid=875107289211545&tmod=1416461313&uas=3&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=3&uci=a!3&btvi=3&fsb=1&dtd=28085

Tədqiqat qrupu göstərdi ki, kristal struktur verilənlər bazasında öyrədilmiş bir modeldən istifadə edərək, sabit strukturlar üçün mümkün kosmik qrupları ən yaxşı 30-a qədər daralda bilər, hər hansı bir kompozisiya üçün kosmik qrupun demək olar ki, tam müəyyənləşdirilməsinə imkan verir.

Wyckoff mövqeləri müəyyən bir kosmik qrupun simmetriya əməliyyatları altında icazə verilən atom konfiqurasiyaları üçün sərbəstlik dərəcəsini təsvir edir. Hər bir atoma Wyckoff etiketi verilir və müvafiq qaydalara uyğun olaraq yerdəyişən atomların mövqeləri orijinal simmetriyanı qoruyur. Komanda göstərdi ki, maşın öyrənməsindən istifadə etməklə onlar istənilən tərkibdə hər bir atom üçün Wyckoff etiketlərinin təyinatını səmərəli şəkildə daralda bilərlər.

Bu simmetriya proqnozlaşdırıcılarından istifadə etməklə, kristal sistemlər üçün axtarış sahəsi kəskin şəkildə azaldıla bilər ki, bu da CSP-nin düzgünlüyünün əhəmiyyətli dərəcədə yaxşılaşmasına səbəb olur. Bu tədqiqatda aparılan genişmiqyaslı performans qiymətləndirmələrinə görə, ShotgunCSP bütün kristal sistemlərin təxminən 80%-ni dəqiq proqnozlaşdırmağa qadirdir. Onun performansı elementar əvəzetmə əsaslı CSP alqoritmi CSPML-dən xeyli yüksəkdir, bu alqoritm əvvəllər komanda tərəfindən işlənib hazırlanmış və son etalonlarda ən yüksək yer tutur.

Gələcəyə baxış

CSP alqoritmləri yeni materialların və elmi kəşflərin işlənməsini sürətləndirən təməl texnologiyalardır. Materialların sabit strukturlarını müəyyən etməklə yüksək temperaturlu superkeçiricilərin, batareya materiallarının, katalizatorların, termoelektrik materialların, əczaçılıq molekullarının və hətta yüksək temperatur və təzyiq kimi ekstremal şəraitdə maddi strukturların tədqiqində əhəmiyyətli irəliləyişlərə nail olmaq olar.

Tədqiqat qrupu sabit fazaların kristal simmetriyasını daraltmaq üçün maşın öyrənməsinin istifadə edildiyi ənənəvi metodlardan fərqli yeni bir yanaşma kəşf edərək CSP alqoritmlərinin proqnozlaşdırma performansını əhəmiyyətli dərəcədə yaxşılaşdırmağa müvəffəq oldu. Bundan əlavə, ShotgunCSP sadə alqoritmik dizaynı ilə paralel hesablama ilə yüksək uyğunluğa malikdir və hesablamalar böyüdükcə daha da performans təkmilləşdirmələri gözlənilir.

Daha çox məlumat: Liu Chang et al, Maşınla öyrənilmiş formalaşma enerjilərindən istifadə edərək ov tüfənginin kristal quruluşunun proqnozlaşdırılması, npj Computational Materials (2024). DOI: 10.1038/s41524-024-01471-8

Jurnal məlumatı: npj Computational Materials 

İnformasiya və Sistemlərin Tədqiqat Təşkilatı tərəfindən təmin edilmişdir