Физически обоснованный ИИ ускоряет открытие новых материалов

Одним из ключевых этапов разработки новых материалов является определение их свойств, что долгое время опиралось на огромные массивы экспериментальных данных и дорогостоящее оборудование, ограничивая эффективность исследований. Команда исследователей из KAIST представила новую методику, которая сочетает физические законы, управляющие деформацией и взаимодействием материалов и энергии, с искусственным интеллектом. Этот подход позволяет быстро исследовать новые материалы даже в условиях нехватки данных и закладывает основу для ускорения проектирования и проверки в различных инженерных областях, включая материаловедение, механику, энергетику и электронику.

Исследовательская группа профессора Сонхва Рю с кафедры машиностроения в сотрудничестве с группой профессора Джэ Хёк Лима из Университета Кёнхи и доктором Бёнки Рю из Корейского научно-исследовательского института электротехники предложила новый метод, позволяющий точно определять свойства материалов, имея лишь ограниченные данные. Метод использует машинное обучение с физическим обоснованием (PIML), которое непосредственно включает физические законы в процесс обучения ИИ.

В первом исследовании учёные сосредоточились на гиперупругих материалах, таких как резина. Они представили метод физически обоснованных нейронных сетей (PINN), который может идентифицировать как поведение материала при деформации, так и его свойства, используя лишь небольшой объём данных, полученных из одного эксперимента. В то время как предыдущие подходы требовали больших сложных наборов данных, это исследование показало, что характеристики материалов можно надёжно воспроизвести даже тогда, когда данные скудны, ограничены или зашумлены.

Во втором исследовании команда обратилась к термоэлектрическим материалам — новым материалам, которые преобразуют тепло в электричество и электричество в тепло. Они предложили методику обратного вывода на основе PINN, которая может оценивать ключевые показатели, такие как теплопроводность (насколько хорошо передаётся тепло) и коэффициент Зеебека (насколько эффективно генерируется электричество), всего по нескольким измерениям.

Продвигаясь дальше, исследователи представили Физически Обоснованный Нейронный Оператор (PINO) — модель ИИ, которая понимает физические законы природы, и показали, что она может обобщать информацию для ранее не встречавшихся материалов без необходимости переобучения.

Фактически, после обучения системы на 20 материалах они протестировали её на 60 совершенно новых материалах, и во всех случаях она предсказала их свойства с высокой точностью. Этот прорыв указывает на будущее, в котором станет возможным крупномасштабный высокоскоростной скрининг бесчисленных кандидатов в материалы.

Это достижение выходит за рамки простого сокращения необходимости в экспериментах. Тонко сочетая физические законы с ИИ, исследователи представили первый пример повышения эффективности экспериментов при сохранении надёжности.

Профессор Сонхва Рю, руководивший обоими исследованиями, заявил:

«Это первый случай применения ИИ, понимающего физические законы, в реальных материаловедческих исследованиях. Это позволяет надёжно идентифицировать свойства материалов даже при ограниченной доступности данных, и ожидается, что метод распространится на различные инженерные области».

Первая статья, соавторами которой стали аспиранты кафедры машиностроения KAIST Хёнбин Мун и Донгын Пак, опубликована в журнале Computer Methods in Applied Mechanics and Engineering.

Вторая статья, соавторами которой стали аспиранты кафедры машиностроения KAIST Хёнбин Мун и Сонхо Ли, а также доктор Ваби Демеке, опубликована в журнале npj Computational Materials.

Больше информации: Hyeonbin Moon et al, Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data, Computer Methods in Applied Mechanics and Engineering (2025). DOI: 10.1016/j.cma.2025.118258
Hyeonbin Moon et al, Physics-informed neural operators for generalizable and label-free inference of temperature-dependent thermoelectric properties, npj Computational Materials (2025). DOI: 10.1038/s41524-025-01769-1

Источник: The Korea Advanced Institute of Science and Technology (KAIST)

ИИ: В 2025 году мы наблюдаем, как ИИ переходит от простого анализа данных к глубокому пониманию фундаментальных законов физики. Это исследование — яркий пример того, как симбиоз искусственного интеллекта и фундаментальной науки открывает путь к ускоренному открытию материалов с заданными свойствами, что может революционизировать многие отрасли, от энергетики до электроники, и значительно сократить время и стоимость разработок.