Нейросеть BDIP-Net ускорит предсказание свойств двухслойных материалов
Международная группа исследователей разработала новый подход к компьютерному открытию двухслойных материалов. В основе подхода лежит ML-фреймворк, который ускоряет генерацию структур и предсказание их свойств. Ключевым элементом стала графовая нейронная сеть BDIP-Net, описанная в препринте на arXiv.
Двухслойные материалы — это стопки из двух атомарных слоёв, чьи свойства сильно зависят от типа укладки. Такая зависимость возникает из-за сочетания прочных внутрислойных связей и слабых межслойных ван-дер-ваальсовых сил. Точный расчёт таких систем обычно требует дорогостоящей DFT-оптимизации, что ограничивает скорость вычислительного поиска новых материалов.
Как отмечают авторы, существующие модели машинного обучения часто не различают разные типы взаимодействий при предсказании свойств. Новая архитектура BDIP-Net решает эту проблему: она явно моделирует внутрислойные и межслойные взаимодействия через специальные представления потенциалов и адаптивное слияние сообщений.
Предложенный фреймворк включает оптимизационный workflow на основе MatterSim-D3. Он позволяет получать двухслойные структуры, близкие по качеству к DFT, из отдельных монослоёв и конфигураций укладки, но с существенно меньшими вычислительными затратами.
Метод протестирован на трёх наборах данных: BiDB, HetDB и SAMBA. Они охватывают гомо- и гетеродвухслойные системы, а также скрученные двухслойные структуры. По данным авторов, MatterSim-D3-пайплайн хорошо воспроизводит результаты оптимизации DFT-PBE-D3, а BDIP-Net стабильно превосходит существующие GNN и потенциальные методы предсказания свойств.
Разработка может ускорить поиск перспективных двухслойных материалов для электроники, фотоники и других применений. Снижение вычислительной нагрузки позволяет исследователям быстрее перебирать множество комбинаций монослоёв и углов скрутки, не жертвуя точностью.
