Научный Лего: предсказание свойств материалов без лаборатории ✛

Оригинал: "Materials Graph Library (MatGL), an open-source graph deep learning library for materials science and chemistry"
arXiv:2503.03837 · 2025-03-05 · CC BY 4.0 · 1 мин
Бесплатная программа MatGL работает как виртуальный испытатель: по расположению атомов она предсказывает характеристики вещества за часы, а не за месяцы.

Атомы — это кубики Лего мироздания. Складывая их по-разному, получаешь всё: от алмаза до углекислого газа. Раньше химики месяцами возились в лаборатории, чтобы проверить одну комбинацию. Теперь программа MatGL — как виртуальный конструктор — мгновенно предсказывает свойства любой сборки. Загружаете схему атомов — и узнаёте, будет материал прозрачным или сверхпрочным. Даже как он поведёт себя под лучом света (спектроскопия). Так, простой углерод может стать и графитом, и нанотрубкой.

Секрет MatGL — графовые нейросети: алгоритмы, которые видят атомы точками, а связи между ними — линиями. Та же технология, что советует друзей в соцсетях, здесь ищет идеальные атомные пары. Обучаясь на миллионах примеров, сеть безошибочно угадывает свойства. Даже для крошечного водорода в разных соединениях.

Библиотека бесплатна и открыта — цифровая песочница для создания материалов будущего: от аккумуляторов до водяных фильтров. Месяцы ожидания превратились в часы вычислений. Научный Лего-набор, где правила физики работают быстрее интуиции.

Графовые нейросети, лежащие в основе MatGL, также применяются в соцсетях: алгоритмы «дружбы» анализируют связи между людьми так же, как между атомами.

Идея мгновенного подбора материалов напоминает репликаторы из «Звёздного пути», где вещество синтезируется по заданной программе.

Учёные
Fred HoyleMargaret BurbidgeWilliam Lawrence Bragg
Понятия
материалы на основе машинного обучения графовая нейронная сеть глубокое обучение в медицинской визуализации предсказание молекулярных свойств языковая модель белков моделирование физики с помощью нейронных сетей графит набор данных большие языковые модели генеративная модель сопоставление медицинских изображений с геномными данными межатомный потенциал, обученный машинным обучением материаловедение графы визуализация кристаллов с помощью нейронных сетей