Уже более 100 лет ученые используют рентгеновскую кристаллографию для определения структуры кристаллических материалов, таких как металлы, горные породы и керамика.
Этот метод лучше всего работает, когда кристалл не поврежден, но во многих случаях ученые имеют только порошкообразную версию материала, которая содержит случайные фрагменты кристалла. Это усложняет задачу по сбору общей структуры. Химики MIT теперь придумали новую генеративную модель ИИ, которая может значительно облегчить определение структур этих порошкообразных кристаллов. Модель прогнозирования может помочь исследователям характеризовать материалы для использования в батареях, магнитах и многих других приложениях.
«Структура — это первое, что вам нужно знать о любом материале. Это важно для сверхпроводимости, это важно для магнитов, это важно для понимания того, какую фотоэлектрическую систему вы создали. Это важно для любого приложения, которое, как вы можете себе представить, связано с материалами», — говорит Данна Фридман, профессор химии имени Фредерика Джорджа Киза в Массачусетском технологическом институте.
Фридман и Юре Лесковец, профессор компьютерных наук в Стэнфордском университете, являются старшими авторами нового исследования, опубликованного в журнале Американского химического общества . Аспирант Массачусетского технологического института Эрик Ризель и студент Йельского университета Цах Макки являются ведущими авторами статьи.
Кристаллические материалы, включающие металлы и большинство других неорганических твердых материалов, состоят из решеток, которые состоят из множества идентичных, повторяющихся единиц. Эти единицы можно рассматривать как «коробки» с отличительной формой и размером, с атомами, расположенными точно внутри них. Когда рентгеновские лучи направляются на эти решетки, они дифрагируют от атомов под разными углами и с разной интенсивностью, раскрывая информацию о положениях атомов и связях между ними. С начала 1900-х годов этот метод использовался для анализа материалов, включая биологические молекулы, имеющие кристаллическую структуру, такие как ДНК и некоторые белки.
Для материалов, которые существуют только в виде порошкообразного кристалла, определение структур становится гораздо более сложным, поскольку фрагменты не несут в себе полной трехмерной структуры исходного кристалла.
«Точная решетка все еще существует, потому что то, что мы называем порошком, на самом деле является набором микрокристаллов. Итак, у вас та же решетка, что и у большого кристалла, но они находятся в полностью случайной ориентации», — говорит Фридман.
Для тысяч этих материалов существуют, но остаются неразгаданные картины рентгеновской дифракции. Чтобы попытаться взломать структуры этих материалов, Фридман и ее коллеги обучили модель машинного обучения на данных из базы данных под названием Materials Project, которая содержит более 150 000 материалов. Сначала они загрузили десятки тысяч этих материалов в существующую модель, которая может имитировать то, как будут выглядеть картины рентгеновской дифракции. Затем они использовали эти картины для обучения своей модели ИИ, которую они называют Crystalyze, для прогнозирования структур на основе картин рентгеновской дифракции.
Модель разбивает процесс прогнозирования структур на несколько подзадач. Сначала она определяет размер и форму решетчатого «ящика» и какие атомы в него попадут. Затем она предсказывает расположение атомов внутри ящика. Для каждой дифракционной картины модель генерирует несколько возможных структур, которые можно проверить, подавая структуры в модель, которая определяет дифракционные картины для данной структуры.
Исследователи протестировали модель на нескольких тысячах смоделированных дифракционных картин из Materials Project. Они также протестировали ее на более чем 100 экспериментальных дифракционных картинах из базы данных RRUFF, которая содержит данные порошковой рентгеновской дифракции для почти 14 000 природных кристаллических минералов, которые они выделили из обучающих данных. На этих данных модель была точна примерно в 67 процентах случаев. Затем они начали тестировать модель на дифракционных картинах, которые ранее не были решены. Эти данные были взяты из файла Powder Diffraction File, который содержит данные дифракции для более чем 400 000 решенных и нерешенных материалов.
Используя свою модель, исследователи придумали структуры для более чем 100 из этих ранее неразрешенных моделей. Они также использовали свою модель для обнаружения структур для трех материалов, которые лаборатория Фридмана создала, заставив элементы, которые не реагируют при атмосферном давлении, образовывать соединения под высоким давлением. Этот подход может быть использован для создания новых материалов, которые имеют радикально отличающиеся кристаллические структуры и физические свойства, хотя их химический состав одинаков.
Графит и алмаз — оба из чистого углерода — являются примерами таких материалов. Материалы, которые разработал Фридман, каждый из которых содержит висмут и еще один элемент, могут быть полезны при разработке новых материалов для постоянных магнитов.
«Мы обнаружили много новых материалов на основе существующих данных и, что самое важное, решили три неизвестные структуры из нашей лаборатории, которые включают первые новые бинарные фазы этих комбинаций элементов», — говорит Фридман.
По словам команды Массачусетского технологического института, разместившей веб-интерфейс для модели на сайте crystalyze.org , возможность определения структур порошкообразных кристаллических материалов может помочь исследователям, работающим практически в любой области, связанной с материаловедением.
Источник: www.sciencedaily.com
Источник
