Китайські фізики застосували методи машинного навчання для прогнозування успіху експериментів зі зростання монокристалів на основі обраних умов. Точність алгоритму сягнула 81 відсотка, тоді як самі вчені, на чиїх даних система навчалася, правильно підбирали умови лише в 36 відсотках випадків. Застосування такої системи дозволить економити ресурси і час дослідників, пишуть автори в журналі.
Монокристали - це макроскопічні кристалічні тіла, структура яких представляє єдину безперервну решітку. Такі речовини мають особливі властивості, що сильно залежать від конкретного з'єднання і виду кристалічної решітки. Деякі давно знайшли застосування в техніці (зокрема, сучасна електроніка багато в чому залежить від монокристалів кремнію), а інші необхідні для проведення сучасних наукових досліджень у багатьох галузях, таких як нелінійна оптика і фізика конденсованого стану. Наприклад, для дослідження квантового ефекту Холла або вейлівських півметалів потрібні високоякісні кристали.
Однак отримання великих монокристалів, особливо в разі складних сполук, виключно важко, оскільки процес їх зростання залежить від багатьох факторів, таких як температура, співвідношення елементів, потоки речовин і багато іншого. Надзвичайно складним є процес отримання монокристалів тернарних сполук, тобто що складаються з трьох різних хімічних елементів. Це пов'язано з частою відсутністю фазових діаграм для таких випадків, тобто залежностей фаз і складів з'єднань від параметрів.
Фізики під керівництвом Хун Діна (Hong Ding) з Китайської академії наук вирішили полегшити роботу експериментаторів і створили автоматичний спосіб, який дозволять заздалегідь визначити, чи виросте потрібний кристал в заданих умовах. Для цього вони розглянули зростання кристалів тернарних сполук широко поширеним методом розчин-розплавної кристалізації і навчили систему машинного навчання на даних реальних експериментів.
Автори використовували два набори експериментальних даних (649 і 115 дослідів), причому в них фігурувало 65 різних хімічних елементів. Дані включали температурні криві росту, елементний склад і співвідношення вихідних реагентів, а також умови проведення дослідів. Успішний досвід завершувався отриманням монокристалу, в неуспішному формування потрібного з'єднання не відбувалося. Для навчання використовувалося 75 відсотків даних, а на інших тестувалася робота алгоритмів.
Дослідники застосували чотири методи машинного навчання: методи опорних векторів (SVM), дерева рішень, випадкового лісу і градієнтного бустингу дерев рішень. Кожен алгоритм був незалежно протестований і за підсумками дерево рішень використовувалося для визначення найбільш важливих параметрів при вирощуванні даного кристала, а SVM використовувався в якості передбачувача - він зміг досягти результату в 81 відсоток на тестовій вибірці, в той час як вчені вибирали відповідні умови лише в 36 відсотках експериментів. Автори зазначають, що використання такої методики може призвести до значної економії коштів, людських ресурсів і часу.
"Ми використовували модель, отриману застосуванням дерева рішень до навчальної вибірки, для аналізу важливих факторів зростання монокристалів. На основі цієї інформації ми застосовували SVM для прогнозування успішності вирощування кристала в даних лабораторних умовах, - говорить співавтор роботи Юй-Цзе Сунь (Yu-Jie Sun). Точність нашого підходу буде збільшуватися в міру накопичення експериментальних даних для навчальної вибірки ".
Раніше машинне навчання дозволило намалювати обличчя людей за голосом, передбачити зарплату, знаходити протопланетні диски і визначати магнітне поле на далекому боці Сонця. Загалом про цей підхід до штучного інтелекту ми говорили в матеріалі Азбука ШІ: «Машинне навчання».