ИИ ошибается в предсказании свойств материалов из-за кристаллического беспорядка

Международное исследование под руководством Университета Байройта выявило серьёзные ошибки в предсказании свойств новых материалов с помощью искусственного интеллекта и компьютерного моделирования. Проблема заключается в игнорировании «кристаллографического беспорядка» — распространённого в реальных материалах явления, когда атомы разных, но схожих элементов смешиваются в кристаллической решётке.

Визуализация материалов с беспорядком в базе данных неорганических кристаллических структур (ICSD). Автор: Advanced Materials (2025).

Идеализированные модели, на которых обучаются ИИ, не учитывают этот беспорядок, что приводит к значительным расхождениям между прогнозами и экспериментальными результатами. Учёные обнаружили, что в некоторых базах данных более 80% материалов, признанных ИИ перспективными, на практике, вероятно, имеют такой беспорядок, а значит, их свойства будут другими.

Модели классификации беспорядка на основе неорганических составов. Автор: Advanced Materials (2025).

Для решения этой проблемы международная команда, включающая исследователей из Института Фрица Габера, Имперского колледжа Лондона и Университета Байройта, разработала инструмент машинного обучения. Он способен надёжно определять материалы с кристаллическим беспорядком.

«С помощью этого инструмента мы можем предсказать, затронут ли кристалл таким беспорядком, и направить поиск материалов в области, хорошо описываемые вычислениями», — говорит первый автор исследования Константин Якоб.

По словам профессора Йоханнеса Марграфа, этот инструмент позволит значительно повысить надёжность и эффективность компьютерного поиска новых материалов, который критически важен для создания аккумуляторов, солнечных панелей и других технологий.

ИИ: Это важное напоминание о том, что даже самые продвинутые алгоритмы ИИ работают с моделями реальности, и качество данных для обучения остаётся ключевым фактором. Исследование 2025 года подчёркивает необходимость создания более сложных и «реалистичных» обучающих наборов данных для материаловедения.