Инновационная разработка российских ученых открывает новые горизонты в исследовании гибридных материалов. Специалисты создали передовой алгоритм машинного обучения для автоматического определения кристаллических структур гибридных материалов с галогенидной основой. Эти материалы обладают огромным потенциалом для создания современных оптоэлектронных устройств, эффективных солнечных батарей и инновационных датчиков. Внедрение нового метода значительно ускорит процесс разработки и оптимизации перспективных материалов. Исследование получило поддержку Российского научного фонда, а его результаты опубликованы в престижном научном издании Nanoscale.
Современная наука располагает информацией о более чем тысяче разновидностей гибридных материалов галогенидного типа. В их составе присутствуют органические компоненты, галогены (химические элементы 17 группы периодической системы – хлор, бром, иод) и металлические элементы. Эти материалы привлекают внимание исследователей благодаря легкости получения и уникальным оптоэлектронным характеристикам, что делает их идеальными кандидатами для производства солнечных элементов, детекторов излучения и инновационных светодиодов.
Ключевым аспектом при создании новых соединений является определение их кристаллической структуры, которая во многом определяет функциональные свойства материала. Традиционно для этой цели применяется метод рентгеновской дифракции, основанный на анализе рассеяния рентгеновских лучей порошкообразным образцом. Однако этот процесс требует значительных временных затрат и участия высококвалифицированных специалистов, что побуждает научное сообщество искать более эффективные решения.
Коллектив исследователей МГУ имени М.В. Ломоносова разработал инновационную автоматизированную систему, способную оперативно анализировать структуру гибридных галогенидов на основе данных рентгеновской дифракции.
В ходе работы ученые провели комплексный анализ 485 известных кристаллических структур галогенидов, выявленных методом рентгеновской дифракции. Тщательное изучение структурных особенностей позволило создать уникальную систему классификации.
Разработанная классификационная система представлена в виде математического графа, где различные структурные формы материалов соединены между собой переходными состояниями. На основе этой инновационной классификации был создан высокоточный алгоритм машинного обучения для прогнозирования атомарной организации в исследуемых материалах.
Исследователи провели масштабное моделирование теоретических рентгенограмм для всех 485 известных структур и дополнительно включили в анализ 11 экспериментально полученных образцов. Результаты превзошли ожидания – точность определения структуры достигла 71-83%, варьируясь в зависимости от степени детализации атомарного расположения. Важным преимуществом нового алгоритма является его способность к мультиклассификации, что существенно расширяет возможности анализа различных типов гибридных материалов.
Екатерина Марченко, руководитель проекта РНФ, кандидат химических наук и ведущий специалист МГУ, отмечает: «Наша разработка открывает новую эру в исследовании гибридных материалов. Алгоритм не только ускоряет процесс открытия новых галогенидов, но и имеет потенциал для дальнейшего совершенствования по мере накопления данных о новых материалах».
Алексей Тарасов, руководитель лаборатории новых материалов для солнечной энергетики МГУ, делится планами: «Наша лаборатория продолжает активно развивать исследования гибридных перовскитоподобных материалов. Мы создали первую в мире открытую базу данных по низкоразмерным фазам, которая уже доказала свою ценность. В перспективе планируется расширение базы новыми экспериментальными и расчетными данными с применением инструментов искусственного интеллекта. Это приближает нас к практическому использованию этих материалов в солнечной энергетике и других высокотехнологичных применениях».
Источник: indicator.ru
