Конструктор атомов: как искусственный интеллект помогает создавать новые материалы для энергетики
Кай по велению Снежной Королевы пытался собрать слово «вечность» из восьми льдинок и… не справился. Что если льдинок сотни тысяч? Современным ученым такие головоломки по плечу, ведь у них есть помощник — искусственный интеллект. О том, как с помощью ИИ удалось сократить до нескольких недель выполнение задач, на которые раньше уходили десятилетия, на XX московском фестивале «Наука 0+» рассказал доктор физико-математических наук, профессор, руководитель лаборатории Сколковского института науки и технологий Александр Квашнин.
О «нерешаемой» задачке
На протяжении всей своей истории человечество, открывая новые материалы, действовало методом проб и ошибок. Простой пример: мы имеем в лаборатории образцы алюминия, вольфрама и углерода. Мы можем их друг с другом спечь — например, алюминий с вольфрамом и вольфрам с углеродом — и получить два новых материала. Теперь нам нужно изучить и сравнить их свойства, чтобы сказать, какой лучше, и продолжить исследовать уже его. Хорошо, если таких материалов два, а если их десять тысяч?
Чтобы не затягивать эту работу на бесконечность, неплохо было бы научиться заранее предсказывать, какие свойства получит наш новый материал, а еще лучше — самостоятельно эти свойства задавать. Для этого нужно понять кристаллическую структуру материала, найти такое оптимальное расположение атомов в ней, при котором он будет точно отвечать нашей задаче, а для этого придется перебрать все возможные комбинации расположения атомов в пространстве, пока мы наконец не придем к оптимальной. Еще в начале XXI века считалось, что такое невозможно. Например, перебор всех вариантов структуры кристалла, состоящего из десяти атомов, занял бы тысячу лет, а некоторые кристаллы состоят из 20, 30 и даже сотен атомов!
О роли искусственного интеллекта
К счастью, сегодня у нас есть искусственный интеллект и нейросетевые алгоритмы, которые позволяют сократить сроки перебора вариантов с тысячи лет до нескольких месяцев или даже недель. Причем они способны моделировать структуру новых материалов не только быстро, но еще и очень точно, потому что учатся на результатах квантовой химии, которая описывает взаимодействия между электронами и ядрами атомов. Для задач перебора и расчета многих материалов-кандидатов она слишком сложна — ее использование потребовало бы огромных затрат времени и вычислительных мощностей.
Впервые подбор химической структуры для нового материала с помощью ИИ мы применили как раз в энергетике: компания «Газпром нефть» попросила нас создать улучшенный материал для металлических резцов, которыми «грызет» землю буровое долото. Мы перебрали много вариантов кристаллической решетки и в конце концов обнаружили соединение — пентаборид вольфрама: оно представляет собой прочный каркас из атомов бора, внутри которого располагаются атомы вольфрама. За счет этого оно отличается исключительной твердостью — практически на уровне алмаза —и в среднем на 30% прочнее и в два раза устойчивее к высоким температурам, чем применявшиеся до этого аналоги, способен выдерживать нагрев до 2,2 тысячи градусов и в прямом смысле слова «грызть гранит».
Любопытно, кстати, что существование подобных соединений предсказано учеными еще в 2018 году, но воссоздать их лабораторными методами и обнаружить их кристаллическую структуру удалось только благодаря цифровому моделированию и искусственному интеллекту.
О том, куда двигаться дальше
Где еще может применяться нейросетевое моделирование? Практически где угодно. Сейчас ученые всего мира пытаются создать материал для стенок термоядерных реакторов, который выдерживал бы температуру раскаленной плазмы. Нейросети, особенно совмещающие квантовые методы с классическими, могут стать здесь большим подспорьем.
Еще одно направление — термоэлектрики: материалы, способные генерировать электричество за счет разницы температур. Здесь наша основная задача — сделать их более стабильными и менее чувствительными к внешним условиям. Это может пригодиться, например, в производстве новых улучшенных датчиков для нефтегазовой инфраструктуры на Крайнем Севере, которые будут спокойно выдерживать экстремальные морозы и работать без сбоев.
Кроме того, нейросетевые модели могут существенно улучшить катализаторы — особые материалы и соединения, которые используются, чтобы ускорять реакции в нефтехимии и делать их стабильнее. Конечно, нейросетевое моделирование — это не волшебная палочка, и многого алгоритмы пока не умеют. Например, они не могут предсказывать электронные свойства материала — то есть их способность проводить ток и вообще каким-либо образом взаимодействовать с электричеством. Поэтому, например, моделировать полупроводники или сверхпроводники мы сейчас не можем — необходимые методы только-только начинают развиваться.
