arXiv · 31.07.2026 ·Исследования и наука

Применение графовых нейросетей для прогнозирования свойств высокоэнтропийных перовскитов

Исследователи представили новый метод обучения графовых нейронных сетей (GNN) для анализа высокоэнтропийных перовскитных оксидов (HEPO). Использование стратегии переноса знаний от упорядоченных структур к разупорядоченным позволило значительно повысить точность предсказания энергии образования и энергетической щели HOMO-LUMO. Этот подход решает проблему нехватки качественных данных для сложных химических соединений, ускоряя поиск новых функциональных материалов.

Высокоэнтропийные перовскиты обладают уникальными физико-химическими свойствами, однако их сложная структура затрудняет моделирование традиционными методами. Авторы работы предложили архитектуру, которая эффективно учитывает структурный беспорядок, характерный для HEPO. Обучение модели начинается на упорядоченных кристаллических решетках, после чего веса адаптируются под специфику разупорядоченных систем, что позволяет нейросети лучше улавливать зависимости между составом и свойствами материала.

Данная методика позволяет сократить вычислительные затраты при поиске материалов с заданными характеристиками. Вместо проведения дорогостоящих экспериментов или трудоемких квантово-механических расчетов, исследователи могут использовать обученную GNN для быстрого скрининга огромного пространства составов. Это открывает возможности для более эффективного проектирования материалов для электроники, катализа и энергетики.

Ключевые факты

Разработан метод переноса обучения (transfer learning) для GNN, адаптированный под структурный беспорядок в HEPO.
Модель успешно прогнозирует энергию образования и HOMO-LUMO gap, критически важные для функциональных материалов.
Метод преодолевает ограничения, связанные с дефицитом репрезентативных обучающих выборок для сложных оксидных систем.
Подход позволяет значительно ускорить поиск новых материалов в широком композиционном пространстве.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Эквивариантные графовые нейросети ускоряют поиск новых материалов Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем. arXiv · Машинное обучение Глубокие нейронные сети для моделирования пьезоэлектрических композитов Исследователи представили метод глубоких материальных сетей (Deep Material Networks) для гомогенизации пьезоэлектрических композитов. Традиционные подходы, основанные на методах прямого численного моделирования, требуют значительных вычислительных мощностей, особенно при анализе многомасштабных структур. Новый подход позволяет значительно ускорить процесс прогнозирования эффективных электромеханических свойств материалов за счет замены ресурсоемких симуляций обученными нейросетевыми моделями. Hacker News · Исследования и наука Применение ИИ для решения задач квантовой механики Исследователи продемонстрировали, как методы машинного обучения, изначально применявшиеся для анализа простых физических систем, позволили совершить прорыв в квантовой механике. Использование нейросетевых подходов помогло оптимизировать расчеты состояний квантовых систем, значительно сократив вычислительные затраты при моделировании сложных взаимодействий частиц, что ранее считалось труднодостижимой задачей для классических алгоритмов численного анализа. arXiv · Машинное обучение Новые протоколы для кросс-задачного обучения на графовых нейросетях Исследователи представили методологию для эффективного переноса знаний между различными задачами на одном и том же графе, такими как классификация узлов и предсказание связей. Авторы работы выявили несоответствия в существующих подходах к оценке и предложили унифицированные протоколы, которые позволяют более надежно использовать накопленные данные для обучения моделей в условиях ограниченной разметки. arXiv · Исследования и наука Графовые нейросети ускоряют моделирование спиновой динамики в металлических магнитах Исследователи представили новый фреймворк на базе графовых нейронных сетей (GNN) для моделирования спиновой динамики в металлических магнитах. Метод позволяет предсказывать магнитные взаимодействия, заменяя ресурсоемкие квантово-механические расчеты электронной структуры. Это решение устраняет вычислительный барьер, значительно ускоряя симуляции временной эволюции магнитных систем, что критически важно для материаловедения и разработки новых магнитных материалов. arXiv · Исследования и наука EnsembleEGNN: новая модель для предсказания свойств молекулярных ансамблей Исследователи представили EnsembleEGNN — фундаментальную модель для анализа молекулярных ансамблей, которая учитывает конформационную гибкость молекул. В отличие от традиционных подходов, использующих одну репрезентативную структуру, новая архитектура обрабатывает набор конформеров через общие слои эквивариантных графовых нейронных сетей (EGNN) с последующим пулингом, что значительно повышает точность предсказания свойств циклических пептидов. arXiv · Машинное обучение Новый метод полуавтоматического обучения для молекулярных графов Исследователи представили метод полуавтоматического обучения (semi-supervised learning) для анализа молекулярных графов, основанный на ансамблевом консенсусе. Подход позволяет эффективно использовать обширные массивы неразмеченных данных для предсказания свойств молекул, решая проблему высокой стоимости и сложности получения экспертной разметки в химических исследованиях. Технология ускоряет процесс разработки новых материалов и поиск перспективных соединений в фармацевтике и химии. arXiv · Исследования и наука Аддитивная архитектура MLP-GNN для прогнозирования растворимости веществ Исследователи представили новый метод глубокого обучения для оценки растворимости химических соединений в воде, критически важного параметра в ранней разработке лекарств. В отличие от стандартных моделей, объединяющих данные в единый вектор, предложенная архитектура разделяет физико-химические дескрипторы и информацию о молекулярных графах, что позволяет интерпретировать вклад каждого компонента в итоговый прогноз. arXiv · Машинное обучение Обучение графовых нейросетей для термодинамики без размеченных данных Исследователи представили метод обучения графовых нейронных сетей с механизмом внимания для моделирования термогидродинамических полей без использования обучающей выборки. Вместо классического обучения на размеченных данных, модель минимизирует невязки метода конечных объемов (FVM) для уравнений сохранения. Это позволяет существенно снизить вычислительные затраты и требования к хранению данных при прогнозировании сложных физических процессов в 3D-средах. arXiv · Машинное обучение Энтропийная кривизна как новый метод борьбы с проблемами GNN Исследователи представили метод «энтропийной кривизны» (Entropic Curvature) для графовых нейронных сетей (GNN). В отличие от существующих подходов, опирающихся на локальные метрики, таких как кривизна Оливье-Риччи или Формана, новый метод позволяет анализировать глобальное распространение информации в графах. Это решение помогает эффективно бороться с фундаментальными ограничениями архитектур GNN, включая эффекты чрезмерного сглаживания и «сжатия» данных.

← Все материалы