Исследователи из Индийского института науки (IISc) совместно с коллегами из Университетского колледжа Лондона разработали методы на основе машинного обучения для прогнозирования свойств материалов даже при ограниченных данных. Это может помочь в открытии материалов с желаемыми свойствами, например, полупроводников.
В последние годы инженеры-материаловеды обратились к моделям машинного обучения, чтобы предсказать, какие типы материалов могут обладать определенными свойствами, такими как электронные запрещенные зоны, энергии формирования и механические свойства, с целью проектирования новых материалов. Однако данные о свойствах материалов, необходимые для обучения этих моделей, ограничены, поскольку тестирование материалов является дорогостоящим и требует много времени.
Это побудило исследователей во главе с Саи Гаутамом Гопалакришнаном, доцентом кафедры материаловедения IISc, заняться решением этой проблемы. В новом исследовании они нашли эффективный способ использования подхода машинного обучения, называемого трансферным обучением, для прогнозирования значений определенных свойств материалов.
При трансферном обучении большая модель сначала предварительно обучается на большом наборе данных, а затем настраивается для адаптации к меньшему целевому набору данных. «В этом методе модель сначала учится выполнять простую задачу, например, классифицировать изображения на, скажем, кошек и не кошек, а затем обучается для конкретной задачи, например, классифицировать изображения тканей на содержащие опухоли и не содержащие опухоли для диагностики рака», — объясняет Гопалакришнан.
Модели машинного обучения обрабатывают входные данные, такие как изображение, и генерируют выходные данные, такие как идентификация фигур, присутствующих на изображении. Первый слой модели принимает необработанные входные данные изображения. Последующие слои извлекают признаки из изображения, такие как края, которые постепенно уточняются. Последние слои объединяют эти признаки для распознавания и классификации признаков более высокого уровня, таких как фигуры.
Эти модели могут быть построены с использованием различных архитектур, таких как графовые нейронные сети (GNN), которые работают с графически структурированными данными, такими как трехмерная кристаллическая структура любого материала. В GNN информация в каждом слое представлена в виде узлов (атомов в структуре), а связи между узлами представлены в виде ребер (связей между атомами). Для текущего исследования исследовательская группа разработала модель на основе GNN.
Архитектура GNN, например, количество слоев и то, как они связаны, определяет, насколько хорошо модель может обучаться и распознавать сложные особенности в данных. Сначала команда определила оптимальную архитектуру, необходимую для модели, и размер обучающих данных, требуемый для прогнозирования свойств материалов. Они также предварительно обучили модель, настроив только некоторые слои, «заморозив» остальные, объясняет Решма Деви, первый автор и аспирант кафедры материаловедения.
Для этой оптимизированной и предварительно обученной модели они предоставили в качестве входных данных данные о свойствах материала, таких как диэлектрическая проницаемость и энергия образования материала, чтобы модель могла предсказывать значения определенных свойств материала, таких как пьезоэлектрический коэффициент.
Команда обнаружила, что их модель на основе трансферного обучения, которая сначала была предварительно обучена, а затем доработана, показала себя намного лучше, чем модели, обученные с нуля. Они также использовали фреймворк под названием Multi-property Pre-Training (MPT), в котором они одновременно предварительно обучали свою модель на семи различных свойствах объемного 3D-материала. Примечательно, что эта модель также смогла предсказать значение ширины запрещенной зоны для 2D-материалов, на которых она не обучалась.
Теперь команда использует эту модель для прогнозирования скорости перемещения ионов внутри электродов батареи, что потенциально может помочь в создании более совершенных устройств хранения энергии.
«Его также можно использовать для создания более совершенных полупроводников, прогнозируя их склонность к образованию точечных дефектов, что может способствовать продвижению Индии к производству полупроводников», — добавляет Гопалакришнан.
