В обычной батарейке электролит жидкий, и заряженные частицы (ионы) движутся свободно. В твёрдой версии они протискиваются сквозь атомные «коридоры», будто пешеходы в узких переходах. Чтобы батарея работала быстро, нужен материал с хорошей ионной проводимостью. Но поиск таких материалов вслепую — это годы проб и ошибок. Машинное обучение берёт на себя роль «дорожного инженера»: обучившись на точных примерах, оно предсказывает, где ионы не застрянут.
Исследователи выяснили: для точных прогнозов важнее не гигабайты данных, а безупречная разметка небольших выборок. Даже в материалах, богатых углеродом, модель отлично учится на малом количестве качественных расчётов. Сюрпризом стало то, что привычная мера ошибки — энтропия сил — почти не связана с реальной быстротой ионного транспорта. Это как оценивать загруженность улиц по цвету фасадов. Спектроскопия подтверждает: в твёрдом теле без воды ионы движутся иначе, чем в жидкости.
Итог — чёткий рецепт для инженеров: маленькие, но идеальные данные сокращают путь к безопасным батареям, которые выдержат мороз и зной.
Для надёжного прогноза свойств материала нейросети часто хватает 500 точных примеров — и она обходит модель, обученную на 50 000 шумных данных.