Тест на миллионы формул: нейросеть создала жаропрочную деталь для электромобилей

Исследователи из Сеульского национального университета разработали метод поиска материалов для электроники, объединив анализ научной литературы с помощью ИИ и физико-химическое моделирование. В результате был проведен скрининг 150 миллионов виртуальных составов бессвинцовых диэлектриков, что позволило выявить 37 перспективных кандидатов. Два из них прошли экспериментальную проверку и подтвердили высокую стабильность при повышенных температурах. Работа предлагает способ автоматизации поиска новых материалов, однако эффективность метода зависит от качества данных, извлеченных из сторонних публикаций.

Как собирали данные из литературы

Основной проблемой поиска новых диэлектриков является разрозненность данных: результаты измерений в разных статьях представлены в разных форматах (текст, таблицы, графики), а условия экспериментов (температура, частота) часто различаются. Для решения этой задачи команда профессора Хо Вон Джан применила мультимодальный майнинг литературы.

С помощью больших языковых моделей (LLM) исследователи извлекли данные о составах и условиях обработки из 448 научных работ. Графики были преобразованы в числовые значения, что позволило восстановить зависимость диэлектрических свойств от температуры. В итоге был сформирован датасет из 1 202 записей. Чтобы сделать данные из разных источников сравнимыми, авторы добавили 22 физических дескриптора, описывающих элементный состав и микроструктуру материалов.

"Сложность здесь заключается в том, что данные из разных публикаций часто несопоставимы из-за различий в методиках измерений. Использование физических дескрипторов позволяет привести их к общему знаменателю, создавая базу, на которой может обучаться модель", — отметил учёный-физик Дмитрий Лапшин.

Метод отбора и виртуальный скрининг

Для анализа данных была использована стратегия "инверсного дизайна": исследователи задали требуемые параметры производительности, а модель должна была определить химический состав, который их обеспечит. В работе задействовали 30 независимо обученных моделей машинного обучения, которые одновременно предсказывали три показателя диэлектрической проницаемости и температурной стабильности.

Система оценивала степень согласия между разными моделями — приоритет отдавался тем составам, по которым прогнозы большинства алгоритмов совпадали. После применения физико-химических ограничений (исключение составов, которые не могут существовать в реальности) из 150 миллионов вариантов осталось лишь 37 кандидатов.

Таблица демонстрирует, как ИИ сужает пространство поиска от миллионов теоретических вариантов до нескольких конкретных формул для лабораторного синтеза.

Результаты экспериментальной проверки

Для финального теста были выбраны два состава с замещением олова (Sn) в концентрации 1 моль% (SNBTS1) и 2 моль% (SNBTS2). В ходе экспериментов образцы показали диэлектрические постоянные 3 422 и 3 307 соответственно при комнатной температуре.

Сравнительный анализ с титанатом бария (BaTiO₃), который широко используется в современных керамических конденсаторах (MLCC), показал, что новые материалы более стабильны при нагреве. В то время как свойства BaTiO₃ резко меняются при температуре около 125°C, разработанные составы сохраняют свои характеристики в более широком диапазоне. Оба образца соответствуют международным стандартам стабильности X5R, X6R и X7R.

Причины температурной стабильности

Чтобы понять, почему добавление небольшого количества олова улучшило свойства, исследователи использовали рамановскую спектроскопию, атомно-разрешающую электронную микроскопию и зондовую силовую микроскопию (PFM). Анализ показал, что замещение олова расширяет кристаллическую решетку материала и увеличивает электрическую неоднородность на атомном уровне.

По мнению авторов, именно эти структурные изменения позволяют материалу сохранять диэлектрическую проницаемость при изменении температуры, что делает его пригодным для использования в электронике электромобилей и аэрокосмических системах, где компоненты подвергаются сильному нагреву.

Границы метода и ограничения

Несмотря на успех, работа основана на анализе уже опубликованных данных. Это означает, что точность предсказаний модели напрямую зависит от достоверности и полноты записей в старых статьях. Если в первоисточниках содержались систематические ошибки или неполные данные о чистоте образцов, модель могла перенять эти искажения.

Кроме того, из 37 отобранных кандидатов были синтезированы только два. В материале не приводятся данные о том, почему остальные 35 вариантов не были протестированы и подтвердились ли их свойства в случае синтеза. Таким образом, работа доказывает возможность нахождения подходящих составов, но не гарантирует, что любой кандидат из списка модели будет работать на практике.

Результаты исследования, опубликованные в Nature Communications, показывают, что интеграция ИИ в материаловедение позволяет значительно ускорить поиск безсвинцовых альтернатив. Главным достижением стала разработка системы сбора данных из разрозненных источников. Для дальнейшего развития метода потребуется проверка его эффективности на других классах функциональных оксидов и тонких пленках.