В России вдвое увеличило точность предсказаний ИИ свойств материалов Исследователи из Института искусственного интеллекта, AIRI, предложили методику, которая учитывает симметрию кристаллических структур при обучении моделей ИИ. Это значительно повышает точность прогнозов свойств материалов, что открывает путь к более быстрому созданию веществ с нужными характеристиками. По словам младшего научного сотрудника Алексея Кравцова, такой подход объединяет физику, кристаллографию и современные нейросети, создавая эффективный инструмент для предсказания поведения материалов. Современные методы квантовой химии, используемые для изучения молекул, требуют огромных вычислительных ресурсов. Для решения этой проблемы учёные всё чаще обращаются к квантовым компьютерам и нейросетям. Российские специалисты удвоили точность одной из таких систем — GNN-нейросети, которая анализирует атомы и их взаимодействия в виде графов. Они доказали, что учёт симметрии атомов и дефектов в кристаллической решётке существенно улучшает предсказания, особенно для сложных материалов. Методику протестировали на свинцовых перовскитах, используемых в солнечных батареях и оптоэлектронике. Учёные подготовили базу из почти шести миллионов структур, из которых более тысячи были проверены с помощью ресурсоёмких квантово-химических расчётов. Итоговое обучение системы подтвердило, что подход с учётом симметрии не только улучшает точность, но и помогает находить новые перспективные свойства для разработки инновационных материалов.