Исследователи из Университета ИТМО разработали новый метод, ускоряющий и удешевляющий проектирование материалов с магнитными наночастицами. Они первыми в мире обучили модель машинного обучения (ML) прогнозировать обменное смещение — один из ключевых параметров наночастиц. Это открывает новые перспективы в микроэлектронике и медицине.
Магнитные наночастицы широко используются в современных технологиях, включая жесткие диски и микроэлектронику. Их свойства определяются четырьмя основными параметрами, одним из которых является обменное смещение. Этот показатель влияет на электромагнитные и электронные характеристики материалов. Ранее его расчет требовал сложного математического моделирования, но теперь ученые предложили альтернативный способ.
В основе метода лежит машинное обучение. Чтобы обучить ML-модель, специалисты собрали и проанализировали более тысячи строк данных. Для тестирования выбрали два алгоритма: XGBoost и KAN. В ходе экспериментов XGBoost показал наилучшие результаты, объяснив 75% вариаций в данных, что свидетельствует о высокой точности прогнозирования.
Модель учитывает более 30 параметров, таких как форма и размер наночастиц, магнитное поле, температура и коэрцитивная сила.
«Вы заносите эти данные в код, и модель предсказывает, будет ли наблюдаться в наночастицах обменный сдвиг и какой величины. Так можно избежать сложных расчетов и экспериментов с чувствительными наночастицами».
— Ксения Капранова, магистрант Центра искусственного интеллекта в химии ИТМО
До настоящего времени подобные методы для расчета обменного сдвига не применялись. Однако ранее в ИТМО уже использовали машинное обучение для прогнозирования формы и размеров наночастиц, а также их магнитных свойств.
Исследователи уверены, что их разработка станет основой для будущих платформ, способных предсказывать еще больше параметров, включая процессы синтеза наночастиц. Это значительно упростит работу лабораторий, сократит количество экспериментов и ускорит разработку новых материалов.
«Мы заложили основу для системы, которая сможет прогнозировать синтез частиц с заданными параметрами. Это поможет существенно уменьшить затраты времени и ресурсов в лабораториях».
— Даниил Кладько, научный сотрудник Центра искусственного интеллекта в химии ИТМО
Источник: пресс-служба ИТМО
