Традиционно для прогнозирования свойств материала – будь то прочность металла или проводимость полупроводника – требуется знать его точную кристаллическую структуру, то есть трехмерное расположение атомов. Расчет этой структуры является сложной и ресурсоемкой задачей, а для многих перспективных соединений она до сих пор не определена экспериментально. Специалисты поставили перед собой иную задачу: можно ли предсказать будущее вещество, зная лишь перечень входящих в него элементов и их соотношение?
Главная сложность такого подхода заключается в том, что одна и та же химическая формула может соответствовать нескольким различным пространственным конфигурациям, каждая из которых обладает уникальными свойствами. Чтобы решить эту проблему, исследователи применили принцип переноса знаний между разными типами данных.
Было предложено два взаимодополняющих метода. Первый основан на обучении специализированных химических языковых моделей. Эти нейросети анализируют химические формулы как текст, обогащая свое понимание за счет дополнительных сведений о материалах из других источников. Второй подход более сложен: сначала отдельная языковая модель генерирует наиболее вероятную кристаллическую структуру на основе заданной формулы, а затем графовые нейронные сети проводят детальный анализ полученной атомной решётки.
Эффективность предложенных алгоритмов проверили на международных открытых базах данных. Новые модели превзошли существующие аналоги в 25 из 32 тестов, а средняя погрешность предсказания в двух ключевых группах задач сократилась примерно на 15%. Кроме того, авторы продемонстрировали способность своих моделей к интерпретации результатов. Система способна показать, какие именно элементы или их комбинации вносят наибольший вклад в формирование целевого свойства, например сверхтвердости или термостойкости. Это дает исследователям мощный инструмент для целенаправленного поиска и дизайна материалов с заранее заданными параметрами.
