Использование электронной структуры для управления ИИ при разработке новых материалов

Структура определяет функцию. Ученые все чаще используют искусственный интеллект (ИИ) для проектирования расположения атомов в новых материалах с желаемыми свойствами. Теперь исследователи из Института промышленных наук Токийского университета расширили ведущую генеративную модель искусственного интеллекта таким образом, чтобы она проектировала электронную структуру материала вместе с его кристаллической структурой. О новой модели, получившей название MatterGen-e⁻, сообщается в npj Computational Materials.

Новые материалы традиционно изобретаются методом проб и ошибок (процесс медленный) или случайным образом генерируются на компьютере и проверяются результаты (что требует больших вычислительных затрат).

Принципиально важным является обратное проектирование — изначально задается целевое свойство (например, конкретная ширина запрещенной зоны или энергия образования), и искусственный интеллект быстро и непосредственно проектирует соответствующую структуру для стабильного кристалла. Модели генеративного машинного обучения, которые учатся на основе существующих данных crystal, хорошо подходят для решения этой задачи, поскольку с их помощью можно создавать совершенно новые материалы.

Химические и физические свойства кристаллического материала (например, твердость, электропроводность и оптические характеристики) зависят от свойств атомного масштаба: кристаллической структуры (расположение молекул в повторяющемся трехмерном узоре) и электронной структуры (то, как электроны распределены по энергетическим уровням и вокруг атомов)..

В начале 2025 года Microsoft Research представила генеративную модель для неорганических кристаллов (MatterGen). Эта основанная на диффузии модель генерирует новые стабильные кристаллические структуры, используя структурные переменные: типы атомов, координаты и решетки. Однако модели сложно определить корреляцию между макроскопическими свойствами и кристаллической структурой, используя ограниченный объем доступных данных.

Команда из Токийского университета упростила работу модели с данными, включив в нее дескрипторы локальной электронной структуры наряду со структурой кристалла — заряд Бадера (электронный заряд, присвоенный каждому атому в кристаллической решетке) и атомную плотность состояний (дескрипторы локальной электронной структуры)..

"Электронная структура физически определяет макроскопическое свойство и сильно ограничена локальным расположением атомов", - говорит ведущий автор исследования Ибуки Окуда. "Следовательно, наши электронные дескрипторы служат промежуточным представлением между структурой и свойством".

При заданных значениях энергии образования и ширины запрещенной зоны MatterGen-e создал значительно больше структур, которые были одновременно надежными, стабильными, уникальными и новыми, чем MatterGen. Выводя электронные дескрипторы вместе с каждой структурой, MatterGen-e⁻ также обеспечивает плотность состояний вновь созданных материалов, которая достаточно хорошо согласуется с расчетами, основанными на первых принципах.

"We performed control experiments replacing the electronic descriptors with noisy Bader charges or a dummy variable with no physical meaning," explains senior author Teruyasu Mizoguchi. "The stability and validity of the generated structures improved only when physically meaningful descriptors were used. Thus, the quality of the electronic information, not the number of variables, is what matters."

These findings point to a design principle for generative models in materials science: using physically meaningful intermediate representations, such as electronic structure, rather than atomic structure alone.

Defining electronic descriptors for each atom means the approach is not limited to bulk crystals. Using this model could improve the generation of surfaces and interfaces, where local electronic states govern material properties.