Российские исследователи впервые на практике сравнили качество работы нескольких систем искусственного интеллекта, предназначенных для подбора оптимальных свойств углеродных нанотрубок.
Как сообщает ТАСС со ссылкой на пресс-службу «Сколтеха», это позволило им отобрать лучший алгоритм для синтеза этих наноструктур с четко заданными свойствами.
«Мы провели своего рода конкурс, в рамах которого мы заставили наиболее популярные модели машинного обучения соревноваться друг с другом. Многослойные нейронные сети победили в этом забеге — они оказались значительно лучше в предсказании сложных характеристик углеродных нанотрубок, таких как их оптоэлектрические свойства, чем более простые алгоритмы машинного обучения», — заявил старший научный сотрудник «Сколтеха» Дмитрий Красников, чьи слова приводит пресс-служба вуза.
Как отмечают ученые, физические и механические свойства нанотрубок сильно зависят от того, каким диаметром они обладают, как устроены отдельные «соты» из атомов углерода внутри их стенок. По этой причине физики и химики много лет разрабатывают алгоритмы и подходы, которые позволяют синтезировать нанотрубки с четко выверенными свойствами, подобранными под конкретные практические приложения.
Красников и его коллеги под руководством профессора «Сколтеха» Альберта Насибулина заинтересовались, насколько хорошо с этой задачей справляются уже существующие нейросетевые алгоритмы и классические системы машинного обучения, которые позволяют вычислять механические, электрические, химические и прочие свойства нанотрубок по параметрам их синтеза.
«Параметров синтеза десятки: температура, количество и состав катализатора, состав газа, время пребывания в реакторе, геометрия реактора и так далее. Сложное взаимодействие параметров делает оптимизацию синтеза одной из тех задач, которые продуктивно решать с использованием искусственного интеллекта», — пояснил профессор Насибулин, чьи слова приводит пресс-служба Сколтеха.
Руководствуясь этой идеей, ученые просчитали свойства интересных ими наноструктур при помощи нескольких алгоритмов, основанных на базе глубинных и многослойных нейросетей, а также различных форм классического алгоритмического машинного обучения. Химики использовали результаты этих расчетов для синтеза нанотрубок методом аэрозольного химического осаждения из газовой среды (CVD), после чего они измерили и сравнили свойства полученных изделий.
Как отмечают ученые, проведенные ими эксперименты показали, что и нейросетевые подходы, и классические системы машинного обучения достаточно неплохо справляются с подбором условий для синтеза нанотрубок с определенным диаметром и другими простыми свойствами. Более сложные характеристики, в том числе характер взаимодействия частиц света с нанотрубками, могут правильно определять только сложные нейросети, тогда как простые алгоритмы машинного обучения с этой задачей не справляются.
Нейросети достигли существенных успехов в этих прогнозах несмотря на то, что для их обучения использовалась относительно небольшая по объему база данных. Поэтому ученые ожидают, что расширение набора экспериментальных замеров позволит уже в ближайшем будущем создать в «Сколтехе» самообучающийся реактор, который будет производить углеродные нанотрубки с заранее заданными свойствами и делать это с каждым разом все более эффективно.