Российские исследователи совершили значительный прорыв в материаловедении, создав инновационный алгоритм машинного обучения для анализа кристаллических структур гибридных материалов на основе галогенидов. Это революционное решение открывает новые горизонты в разработке современных оптоэлектронных устройств, эффективных солнечных батарей и высокочувствительных датчиков. Исследование, получившее поддержку РНФ, успешно опубликовано в престижном научном издании Nanoscale.
Современная наука располагает обширным арсеналом из более чем тысячи уникальных гибридных материалов, созданных на основе галогенидов. Эти удивительные соединения включают органический компонент, галоген из 17 группы периодической таблицы (хлор, бром или иод) и металлический элемент. Привлекательность этих материалов обусловлена не только простотой их получения, но и впечатляющими оптоэлектронными характеристиками, делающими их идеальными компонентами для создания инновационных солнечных элементов, современных детекторов излучения и энергоэффективных светодиодов.
Ключевым этапом в изучении новых соединений является определение их кристаллической структуры, которая во многом определяет практические свойства материала. Традиционно для этого применяется метод рентгеновской дифракции, основанный на анализе рассеивания рентгеновских лучей порошкообразным образцом. Однако классический подход требует значительных временных затрат и участия высококвалифицированных специалистов, что побудило научное сообщество искать более эффективные решения.
Команда талантливых ученых МГУ имени М.В. Ломоносова разработала передовой автоматизированный алгоритм, способный молниеносно анализировать структуру гибридных галогенидов на основе данных рентгеновской дифракции. В основу разработки легло масштабное исследование 485 известных кристаллических структур, что позволило создать инновационную систему классификации.
Разработанная классификационная система представляет собой сложный математический граф, где каждая вершина соответствует определенной структуре гибридного материала, а связующие линии отражают возможные структурные переходы. Этот подход лег в основу высокоточного алгоритма машинного обучения, способного прогнозировать атомарную организацию исследуемых материалов.
В ходе практических испытаний ученые провели моделирование теоретических рентгенограмм для 485 известных структур и дополнили исследование одиннадцатью экспериментальными образцами. Результаты превзошли ожидания: точность определения структуры достигла впечатляющих 71-83%, варьируясь в зависимости от степени детализации атомарного расположения. Особенно важно, что новый алгоритм превосходит существующие бинарные классификации, предлагая углубленный анализ множества структурных типов.
«Наша инновационная методика позволяет оперативно выявлять взаимосвязи между атомами и их группами в гибридных материалах, существенно ускоряя процесс открытия новых галогенидных соединений. Потенциал алгоритма будет расти по мере пополнения базы данных новыми материалами», — поделилась своим видением Екатерина Марченко, руководитель проекта, научный сотрудник МГУ.
«Наша лаборатория достигла значительных успехов в исследовании гибридных перовскитоподобных материалов, создав первую в мире открытую базу данных по низкоразмерным фазам. Мы активно работаем над расширением базы, интегрируя новые экспериментальные данные и результаты машинного обучения. Это приближает момент широкого коммерческого внедрения этих материалов в различных высокотехнологичных устройствах», — подчеркнул Алексей Тарасов, заведующий лабораторией новых материалов для солнечной энергетики МГУ.
Данное исследование выполнено при поддержке Российского научного фонда.
