Искусственный интеллект предсказал поведение квантовых систем
Ученые ВШЭ совместно с коллегами из Университета Южной Калифорнии разработали алгоритм, который быстро и точно предсказывает поведение квантовых систем — от квантовых компьютеров до солнечных батарей. С его помощью удалось смоделировать процессы в полупроводнике MoS₂ и выяснить, что на движение заряженных частиц влияет не только количество дефектов, но и их расположение. Эти дефекты могут замедлять или ускорять перенос заряда, создавая эффекты, которые раньше было сложно учесть при применении стандартных методов.
Исследование опубликовано в журнале The Proceedings of the National Academy of Sciences (PNAS). Современная электроника работает благодаря квантовым эффектам. Полупроводники, светодиоды, солнечные батареи — все эти устройства зависят от того, как ведут себя электроны в материалах. Описать такие процессы с высокой точностью сложно: моделирование требует огромных вычислительных мощностей. Чтобы рассчитать движение электронов в материале из тысячи атомов, суперкомпьютерам приходится выполнять миллионы операций.
Обычно при моделировании квантовых систем используют метод молекулярной динамики: он позволяет предсказывать, как атомы и электроны будут двигаться со временем. Однако если состояния электронов изменяются быстро, стандартные методы моделирования становятся слишком ресурсоемкими.
Исследователи МИЭМ ВШЭ решили проблему с помощью использования машинного обучения. Новый алгоритм анализирует небольшие фрагменты материала, обучаясь на их локальных свойствах, а затем строит предсказания о поведении всей системы. Ученые изучили двумерный полупроводник сульфид молибдена (MoS₂) — перспективный материал для оптоэлектроники и фотовольтаики. В частности, он может служить рабочим слоем солнечных элементов. В идеальном случае атомы молибдена (Mo) и серы (S) образуют упорядоченную решетку, но в реальных материалах структура редко бывает идеальной: в ней могут присутствовать дефекты.
Дефекты — это нарушения в расположении атомов. В MoS₂ они могут проявляться как вакансии (отсутствие атомов серы или молибдена), лишние атомы между слоями, локальные смещения или другие отклонения от идеальной решетки. Дефекты меняют поведение электронов: в некоторых случаях ухудшают проводимость, но иногда могут придавать материалу новые свойства, например увеличивать его чувствительность к свету или делать его лучшим проводником заряда.
«Чтобы понять, как дефекты влияют на движение электронов, мы сосредоточились на небольших фрагментах материала. Алгоритм сначала изучал локальные свойства системы, а затем предсказывал поведение всей структуры. Это как при изучении языка: сначала ты запоминаешь отдельные слова, а потом начинаешь понимать целые предложения», — комментирует доцент МИЭМ ВШЭ Лю Дунюй.
Оказалось, что важно не только количество дефектов, но и их расположение. Дефекты могут задерживать или ускорять движение заряженных частиц, создавая ловушки для носителей заряда внутри запрещенной зоны полупроводника. Стандартные методы плохо справляются с расчетом этих эффектов, так как при расчетах необходимо учитывать взаимодействие дефектов друг с другом и с атомами материала, что сложно сделать при использовании вычислительных ячеек малого размера. Машинное обучение позволяет преодолеть эти размерные ограничения и учесть синергетический эффект множественных дефектов в материале.
«Важно, что этот метод не только ускоряет вычисления, но и помогает изучать реальные квантовые системы, — комментирует профессор МИЭМ НИУ ВШЭ Андрей Васенко. — Результаты наших исследований смогут сократить разрыв между теоретическим моделированием и экспериментальными исследованиями материалов. Мы разработали новый подход к изучению движения зарядов в сложных системах, объединив точные вычисления, молекулярную динамику и машинное обучение. Этот метод поможет исследовать материалы, в которых электроны переносят энергию и информацию, что важно для электроники и энергетики».
Telegram 
Дзен 
VK 
