Магнитные гетероструктурные наночастицы имеют размер не больше 100 нанометров, а их оболочка и ядро могут выступать в качестве наномагнитов и притягивать другие магнитные материалы. Также они могут служить электропроводниками и «носителями» информации, как, например, в жестких дисках. Поэтому такие наночастицы активно используют при производстве электронных устройств, в том числе точнейшей микроэлектроники. Ими покрывают элементы для усиления их электромагнитных и электронных характеристик. При этом, чтобы частицы можно было использовать, у них должны быть определенные «параметры» намагниченности. Управлять ими можно с помощью четырех ключевых свойств магнитных наночастиц, одно из которых — обменное смещение. До сих пор его прогнозирование требовало проведения сложнейших математических расчетов и моделирования. Обученная учеными ИТМО ML-модель позволяет предсказать величину обменного сдвига всего за пару минут.
Чтобы обучить ML-модель, ученые вручную собрали более тысячи строк данных. Для тестирования метода были выбраны две модели машинного обучения: простая в использовании XGBoost, выпущенная еще в 2014 году, и KAN, работающая по принципу сети и ставшая особенно популярной в научном сообществе в 2024-м. Однако в ходе тестов наиболее эффективно показала себя первая ML-модель. Она смогла объяснить 75% изменений в данных, что означает довольно высокую точность прогнозов. Для проверки результатов тестов ученые сравнивали получаемые от ML-модели данные с итогами уже опубликованных исследований наночастиц, а также использовали метод кросс-валидации.
Графическое резюме исследования. Источник: Kapranova et al / The Journal of Physical Chemistry С, 2024
«ML-модель прогнозирует величину обменного сдвига на основании более 30 параметров магнитных наночастиц. Среди них — форма и размер наночастицы, температурные зависимости, коэрцитивная сила, напряженность магнитного поля и другие. Вы заносите эти данные в код, и модель предсказывает, будет ли наблюдаться в наночастицах обменный сдвиг и какой величины. Так вам не нужно проводить сложнейшие расчеты и эксперименты с крайне чувствительными к внешним факторам наночастицами, чтобы найти наиболее подходящие по параметрам для конкретной цели», — отмечает автор проекта, магистрант Центра искусственного интеллекта в химии химико-биологического кластера ИТМО Ксения Капранова.
Подобная технология предсказания обменного сдвига в мире используется впервые. Однако до этого в ИТМО уже рассчитывали с помощью ML-модели форму и размер наночастиц, а также некоторые магнитные свойства, в том числе коэрцитивную силу для повышения точности работы МРТ.
«Наша технология открывает новые перспективы в области материаловедения. Мы заложили основу для платформы, которая сможет охватывать больше параметров, включая прогнозирование синтеза наночастиц. Мы сможем предсказывать, какие материалы необходимы для синтеза частиц с заданными параметрами, значительно уменьшив при этом количество экспериментов за счет более прицельной работы на основании данных ML-модели. Это сделает работу химиков в лабораториях более эффективной, сократив время и ресурсы, затрачиваемые на исследования», — отметил руководитель проекта, научный сотрудник Центра искусственного интеллекта в химии ИТМО Даниил Кладько.
