Разработка методов компьютерного дизайна новых материалов для посткремниевой фотоники и электроники

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 24-73-10055

НазваниеРазработка методов компьютерного дизайна новых материалов для посткремниевой фотоники и электроники

Руководитель Круглов Иван Александрович, Кандидат физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Московский физико-технический институт (национальный исследовательский университет)" , г Москва

Конкурс №98 - Конкурс 2024 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 03 - Химия и науки о материалах; 03-604 - Многомасштабное компьютерное моделирование структуры и свойств материалов

Ключевые слова Дизайн материалов, эволюционный алгоритм, фазовая диаграмма, квантово-механические расчеты, межатомный потенциал, машинное обучение, нелинейно-оптические свойства, Ван-дер-Ваальсовы материалы, генеративные сети, скрининг материалов

Код ГРНТИ29.19.04

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Открытие новых материалов — сложная задача в материаловедении, имеющая решающее значение для развития промышленности и общества в целом. Особое место в задаче поиска новых материалов занимает исследование структуры и свойств материалов для посткремниевой фотоники и электроники. К таким материалам относятся дихалькогениды переходных металлов, черный фосфор, изоляторы (гексагональный нитрид бора), ферримагнетики (Gr2Ge2Te6, Fe3GeTe2 и др), различные топологические материалы (WTe2) и так далее. Благодаря их уникальным свойствам на их основе уже создаются поляризаторы, ультрабыстрые лазеры, фотодетекторы и фотоумножители, и многие другие устройства. Использование таких материалов позволяет повышать добротность оптических устройств, а также приводит к миниатюризации (за счет высокого показателя двулучепреломления). Тем не менее, на текущий момент не было проведено комплексного теоретического поиска новых материалов для посткремниевой фотоники с заданными оптическими свойствами. За последние годы огромный прорыв был достигнут в теоретических методах поиска новых материалов. Одним из таких методов является прогнозирование термодинамически стабильной кристаллической структуры для кандидатных составов с использованием методов глобальной оптимизации (методы USPEX и CALYPSO). Несмотря на экспериментально подтвержденные примеры предсказании структуры различных материалов с их помощью, у них имеется ряд серьезных ограничений, связанных с небольшим количеством типов и числа атомов в исследуемой системе. В данном проекте будут разработаны новые методы компьютерного дизайна материалов с заданными свойствами на основании классических алгоритмов и методов глубокого обучения. Основной упор будет сделан на поиск новых Ван-дер-Ваальсовых (слоистых, анизотропных) материалов для областей посткремниевой фотоники и электроники. Так, с помощью метода T-USPEX будет исследована P-T фазовые диаграммы некоторых Ван-дер-Ваальсовых материалов с целью поиска областей стабильности новых, возможно еще не открытых фаз, которые могут обладать уникальными электронными и оптическими свойствами. Для этого будет разработан новый подход в тренировке межатомных потенциалов на основе машинного обучения, когда обучающая выборка подбирается сама в ходе работы потенциала. Это должно заметно сократить время обучения потенциалов и увеличить точность их работы. Также, для быстрого скрининга материалов с нужными оптическими свойствами, будет разработан инструмент для анализа существующих баз данных материалов (ICSD, MaterialsProject и др.). На основании этого подхода можно будет выбирать новые материалы, похожие по кристаллической структуре на уже использующиеся в области фотоники. В рамках проекта планируется исследование еще одного метода для генерации новых материалов с заданными свойствами, основанного на генеративно-состязательных сетях или диффузионных моделях. По сравнению с используемыми в настоящее время «классическими» методами прогнозирования кристаллической структуры, разработанный подход сможет работать для любого разумного количества компонентов в материале, при этом не требуя большого количества вычислительных ресурсов. Таким образом, в ходе проекта будет использован и разработан целый набор различных методик для поиска материалов с заданными свойствами, основанных как на квантово-механических, так и на статистических подходах. Все описанные выше методы будут использованы для поиска новых материалов с заданными оптическими свойствами (ширина запрещенной зоны, коэффициенты преломления вдоль разных кристаллографических осей, двулучепреломление и т.д.) для применения в устройствах посткремниевой фотоники. Существование новых материалов и их свойств будет подтверждено расчетами из первых принципов и возможным последующим их экспериментальным синтезом. Все исследования и разработки, полученные в рамках выполнения данного проекта, могут быть также использованы в других областях, где необходим поиск материалов с заданными свойствами.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Аннотация результатов, полученных в 2025 году
В отчетном периоде проведено комплексное исследование методов построения машинно-обученных межатомных потенциалов для задач материаловедения и поиска новых функциональных кристаллических структур. Разработана схема активного обучения, в которой выборка формируется автоматически с учетом конкретной задачи, а подбор потенциальной модели осуществлен на основе сравнительного анализа существующих подходов (NNP, MTP, GAP, ACE). В качестве базовой модели был выбран нейросетевой потенциал (NNP) на основе атомно-центрированных функций симметрии, реализованный в пакете Simple-NN. В дальнейшем была предложена и реализована стратегия активного отбора структур вне рамок одной молекулярно-динамической траектории, с использованием процедур оптимизации (метод Нелдера-Мида), фильтрации и итеративного пополнения выборки с DFT-расчетами. Алгоритм протестирован на кремнии, для которого получена обучающая выборка из 3647 структур. Показано, что точность моделей увеличивается с каждой итерацией, хотя остается зависимой от качества генерации структур. На основе разработанного подхода был обучен потенциал типа MTP для MoS2, способный воспроизводить поведение системы при температурах до 2500 К и давлениях до 10 ГПа. Потенциал был верифицирован по температуре плавления (расчетное значение 2188±5 К, что хорошо согласуется с экспериментом) и моделированию кристаллизации наночастиц. Использовались методы кластеризации и геометрического анализа на основе косинусного сходства и HDBSCAN. Результаты симуляций воспроизводят экспериментально наблюдаемые концентрические кристаллические оболочки. Параллельно проведен анализ структурных баз данных (Materials Project, JARVIS, NOEMD, AFLOW, GNoME) и построена объединенная база из более 350 000 уникальных кристаллических структур с рассчитанными свойствами. На этой основе проведен поиск материалов с высокой оптической анизотропией и выявлен ряд кандидатов, подтвержденных экспериментально и расчетами DFT. Особое внимание уделено материалу ReS2, для которого изучены полиморфы AA и AB с помощью DFT-расчетов и спектроскопических методов. Установлено, что различие оптических свойств связано с характером межслоевых взаимодействий. Проведен анализ и сравнение методов дескрипторного описания кристаллических структур (RDF, SOAP, ACSF, MACE, ALIGNN и др.), а также методов понижения размерности (PCA, t-SNE, UMAP). Наилучшие результаты получены при использовании графовых нейронных сетей и ParametricUMAP, обеспечивающих как точность, так и устойчивость визуализации. В частности, дескриптор MACE продемонстрировал наилучшее качество предсказаний энергии образования (R2 = 0.965). Изучены современные генеративные модели (GAN и диффузионные), с фокусом на MatterGen. Разработана и реализована собственная модификация модели в рамках фреймворка Crystal Diffusers с поддержкой GNN. Проведена валидация моделей на данных Carbon и Materials Project, показано воспроизведение известных фаз углерода и успешная генерация новых кандидатов. В качестве наиболее перспективной архитектуры выделена комбинация диффузионной модели с EquiformerV2.

Публикации

1. Березникова Л. А., Круглов И. А., Ермолаев Г. А., Трофимов И. С., Се Ц., Мазитов А. Б., Целиков Г., Миннеханов А., Цапенко А. П., Поволоцкий М., Казарян Д. А., Арсенин А. В., Волков В. С., Новоселов К. С. Artificial intelligence guided search for van der Waals materials with high optical anisotropy Materials Horizons, 12, 1953-1961 (год публикации - 2025)
DOI https://doi.org/10.1039/D4MH01332H

2. Пудьял C., Барман П., Бисвас К., Кравцов К.В., Бисвал Б., Ядав Р., Рагунатан В., Круглов И.А., Казарян Д.А., Мишра А. Stacking and Layer Parity Dependent Photoluminescence in ReS2 Advanced Optical Materials, 13, 2403265 (год публикации - 2025)
https://doi.org/10.1002/adom.202403265