来自斯科尔科沃科技学院、AIRI、托木斯克理工大学和Sber的研究团队提出并测试了一种预测材料性能变化的方法。基于少量数据进行预训练的人工智能模型，显著提高了对掺杂其他金属的高硼钨化合物可能构型的形成能计算能力。

该方法也适用于其他物质，在npj 计算材料中进行了介绍。

材料科学家持续探索民用和工业应用的新材料。计算方法的进步使得预测新材料的晶体结构和性质成为可能，而传统的化学改性实验方法则耗时耗力，效率低下。

由于材料晶体结构存在多种可能实现方式，尤其是在无序的情况下，建模方法的使用直接带来了挑战。机器学习为科学家提供了帮助，它可以使用有限的训练数据集来预测各种材料的目标属性。

最近，图神经网络已被证明是该领域的一个有价值的工具，它提供了对理论材料科学中所有可用数据进行预训练，然后使用有限的训练数据集进行微调的机会。

在新的研究中，研究人员提出了一种预测材料特性的方法，实现了这种微调，但由于对额外样本的智能选择，只需要使用电子密度泛函理论进行少量的额外计算。

该研究旨在解决化学成分改变的结构数据集不完整的问题，并利用混合机器学习方法增强功能材料中的热力学稳定性估计。

该团队测试了新方法，以找到五硼化钨的最佳掺杂剂(替代金属)。

“此前，我们已经开发出一种生产粉末状五硼化钨的方法，这种五硼化钨是用于制造耐热陶瓷产品、石油和天然气工业钻井设备的昂贵化合物的重要类似物，”该研究的共同作者、斯科尔科沃科技学院能源转型中心的亚历山大·克瓦什宁教授说。

“在新的工作中，我们决定在这种化合物的样品上测试新方法。首先，我们选择哪些金属可以补充其结构并形成三重掺杂的化合物，以改善其机械性能。

“然后我们意识到，我们只能通过实验考虑几种可能的掺杂浓度，而计算所有配置非常耗时。基于我们的小数据集，我们训练了一个模型，可以相当快速地预测八种过渡金属掺杂所有可能配置的形成能。”

总的来说，科学家们仅根据 200 个量子力学计算结果样本预测了大约 375,000 种结构配置的热力学性质。

该方法揭示了最有前景且机械性能得到改善的化合物，即掺杂20%至60%钽的五硼化钨。作者表明，现代人工智能模型可以确定材料成分、性质和结构之间的相关性。这为扩展该方法开辟了前景。

“在我们的案例中，直接使用量子力学计算可能需要数年时间。我们并没有尝试所有变体，而是设计了一种策略，在训练图神经网络时，只按顺序包含那些出错最多的结构。”AIRI 研究所“新材料设计”小组的首席研究科学家 Roman Eremin 说道。

“这降低了问题的组合复杂性，使我们能够对 200 个训练结构实现可接受的预测质量。经过训练的模型能够在短短几天内分析所有掺杂剂，并从实验验证的角度选择最有前景的掺杂剂。

“重要的是，尽管所开发的方法适用于高硼化物，但它并不局限于任何类别的化合物的构造，并且可以用来在任何其他类别的功能材料中寻找新的代表。”

样品在托木斯克理工大学采用真空非电弧法合成。在不同的合成条件下进行了一系列实验，以获得预测的结构。并利用现代分析方法对合成材料进行了研究。

托木斯克理工大学能源工业先进材料实验室主任、电力工程与电气工程系教授亚历山大·帕克表示：“托木斯克理工大学研制的无真空电弧法和专用大气等离子体反应器操作简便，成本低廉。”

该设备适用于快速测试特定预测化合物(例如掺杂钽的高硼钨)的可能性假设。现代分析设备能够创建验证库，并研究合成材料的结构、形态和其他特征。

Sber 先进人工智能技术开发部负责人兼 AIRI 研究所科学顾问 Semen Budennyy 评论道：“该项目清楚地展示了现代神经网络架构解决应用研究问题的可能性，特别是寻找新的功能材料。”

“开发具有更高机械性能的化合物为许多行业开辟了前景。因此，有机会在创建实验样品并在实际生产过程中进行测试方面采取进一步措施。我们预计，这些成果将在实体经济和其他经济领域受到欢迎。”

更多信息： Nikita A. Matsokin 等人，通过混合 GNN/DFT 方法发现化学改性的高硼钨，npj 计算材料(2025)。期刊信息： npj计算材料