Ученые разработали алгоритм машинного обучения, способный автоматически устанавливать кристаллические структуры гибридных материалов на основе галогенидов. Такие соединения потенциально можно использовать при создании оптоэлектронных устройств, солнечных батарей и различных датчиков. Новый подход ускорит открытие новых материалов и поможет совершенствовать уже существующие соединения. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Nanoscale.
На сегодняшний день известно более тысячи гибридных материалов на основе галогенидов — соединений, содержащих органический фрагмент, галоген (элемент 17 группы таблицы Менделеева, например, хлор, бром и иод), а также металл. Материалы этого класса интересны благодаря сравнительной простоте синтеза и своим оптоэлектронным свойствам, которые позволяют использовать их при создании солнечных элементов, детекторов радиационного излучения и светодиодов.
При получении любого нового соединения важно определить его кристаллическую структуру, поскольку от нее зависят свойства материала. Довольно точно сделать это позволяет рентгеновская дифракция — метод, при котором ученые анализируют, как порошок интересующего соединения рассеивает рентгеновские лучи. Однако обработка таких данных обычно занимает много времени и требует участия специалистов с высокой квалификацией и обширными знаниями, поэтому химики ищут более простой подход.
Ученые из Московского государственного университета имени М.В. Ломоносова создали автоматизированный алгоритм, способный по данным рентгеновской дифракции быстро определять структуру гибридных галогенидов.
Сначала авторы проанализировали 485 известных на сегодняшний день кристаллических структур галогенидов, полученных с помощью рентгеновской дифракции. Учитывая сходства и различия структур, исследователи разработали метод их классификации.
Классификация представляла собой граф — математическое воплощение системы из объектов (так называемых вершин), связанных между собой. В вершинах этого графа находились различные структуры гибридных материалов, а на ребрах — линиях, связывающих вершины — варианты возможных переходов между структурами. На основе такой классификации ученые разработали алгоритм машинного обучения, позволяющий с высокой точностью предсказывать, как организованы группы атомов в интересующем материале.
Затем для 485 экспериментально известных кристаллических структур ученые смоделировали их теоретические рентгенограммы и дополнили этот набор одиннадцатью экспериментально полученными. Эксперимент показал, что точность определения структуры по рентгенограмме составляет от 71% до 83% в зависимости от того, насколько детализировано взаимное расположение атомов в структуре материала. Разработанный алгоритм, в отличие от ранее предложенных в литературе бинарных классификаций, отличающих только структуры типа перовскита (названных по структуре минерала перовскита — титаната кальция) от не перовскитных структур, является мультиклассификацией и способен распознавать большое количество структурных типов гибридных материалов.
«Мы разработали простой подход, позволяющий быстро определять, как связаны между собой атомы и группы атомов в гибридных материалах. Предложенный алгоритм существенно ускорит процесс открытия новых гибридных галогенидов. В будущем его точность можно будет дополнительно повышать, добавляя в набор данных новые материалы, которые на данный момент еще не синтезированы», — рассказывает руководитель проекта, поддержанного грантом РНФ, Екатерина Марченко, кандидат химических наук, научный сотрудник лаборатории новых материалов для солнечной энергетики факультета наук о материалах, ведущий научный сотрудник кафедры кристаллографии и кристаллохимии геологического факультета МГУ имени М.В. Ломоносова.
«Исследованиями гибридных перовскитоподобных материалов мы занимаемся уже несколько лет и по так называемым "низкоразмерным" фазам опубликовали первую в мире открытую базу данных, она очень помогла нам и для данного исследования. В дальнейшем мы планируем расширить и дополнить базу новыми экспериментальными и расчетными данными, в том числе полученными инструментами машинного обучения. Это позволит приблизить момент коммерческого применения этого класса материалов не только в солнечных элементах, но и других высокотехнологичных устройствах, таких как светодиоды и детекторы рентгеновского излучения», — рассказывает Алексей Тарасов, кандидат химических наук, заведующий лабораторией новых материалов для солнечной энергетики факультета наук о материалах МГУ имени М.В Ломоносова.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
