Ученые Киотского университета разработали модель машинного обучения, способную предсказывать свойства полупроводников с высокой точностью. Это позволит ускорить разработку новых материалов для электроники и других высокотехнологичных отраслей.
Основным параметром, определяющим свойства полупроводников, является ширина запрещенной зоны (band gap). Однако традиционные методы ее расчета требуют сложных вычислений, учитывающих характеристики материала при абсолютном нуле температур, что снижает точность предсказаний при комнатной температуре.
Ученые создали интегрированную модель машинного обучения. Она анализирует данные о физических свойствах известных соединений и предсказывает характеристики новых материалов. В работе использовались сведения о 2000 полупроводниках, а алгоритм объединил сразу несколько видов нейросетей, включая условные генеративно-состязательные сети (CGAN) и нейросети передачи сообщений (MPNN).
Как отмечает один из авторов исследования, Кацуаки Танабе, новый метод достиг рекордной точности прогнозов среди существующих аналогов. При этом модель не требует мощных суперкомпьютеров — расчеты можно выполнить за несколько часов на обычном ноутбуке.
Несмотря на высокую эффективность, такие модели остаются сложными для интерпретации, поскольку их внутренние механизмы пока недостаточно изучены. Ученые продолжают исследовать взаимосвязь между структурой материалов и их полупроводниковыми свойствами, чтобы сделать алгоритм еще точнее и универсальнее.
