{"id":13836,"url":"\/distributions\/13836\/click?bit=1&hash=b61ea41d40ef5596d91409ad89303e69391b638d48696dedc08253272b41c2c3","title":"\u041a\u0430\u043a \u043f\u0435\u0440\u0435\u043d\u0435\u0441\u0442\u0438 \u043d\u0430 \u0441\u0432\u043e\u0438 \u0441\u0435\u0440\u0432\u0435\u0440\u044b \u0430\u043d\u0430\u043b\u043e\u0433\u0438 Google Workspace \u0438 Slack","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"728ad728-b270-5f6e-aa5a-d8a9339fb1b2","isPaidAndBannersEnabled":false}

В России провели первый сравнительный тест систем ИИ для синтеза нанотрубок

Российские исследователи впервые на практике сравнили качество работы нескольких систем искусственного интеллекта, предназначенных для подбора оптимальных свойств углеродных нанотрубок. Это позволило им отобрать лучший алгоритм для синтеза этих наноструктур с четко заданными свойствами, сообщила в четверг пресс-служба «Сколтеха».

«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.

Нейросети и нанотрубки

«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.
Источник: ТАСС

0
Комментарии
Читать все 0 комментариев
null