Машинное обучение открывает новые горизонты в изучении квантовых систем
Ученые НИУ ВШЭ в партнерстве с Университетом Южной Калифорнии создали уникальный алгоритм, способный мгновенно анализировать поведение квантовых систем — от солнечных панелей до квантовых процессоров. Инновационный инструмент позволил смоделировать процессы в двумерном полупроводнике MoS₂, обнаружив удивительный факт: динамика заряженных частиц зависит не только от числа дефектов, но и от их пространственной конфигурации. Эти структурные особенности могут кардинально менять скорость переноса заряда, открывая эффекты, ранее недоступные для традиционных методов расчета.
Современные технологии существуют благодаря квантовым явлениям. От смартфонов до космических спутников — вся электроника полагается на невероятный танец электронов в кристаллических решетках. Однако моделирование этих процессов требует колоссальных ресурсов: даже суперкомпьютерам необходимо выполнить миллиарды вычислений для точной симуляции материала из нескольких тысяч атомов. Классическая молекулярная динамика, хотя и остается популярной, часто оказывается неподъемной для систем с быстрыми изменениями электронных состояний.
Прорывное решение пришло от исследователей МИЭМ ВШЭ, объединивших силу машинного обучения с квантовой физикой. Их алгоритм-виртуоз учится распознавать закономерности на микроуровне, изучая локальные участки материала, а затем генерирует точные прогнозы для масштабных систем. Фокусом исследований стал сульфид молибдена — перспективный «кирпичик» для солнечной энергетики и оптической электроники. В идеальной структуре атомы молибдена и серы образуют безупречную симметрию, но реальные образцы всегда содержат уникальные «узоры» из дефектов.
Структурные несовершенства — вакансии атомов, межслойные включения или локальные деформации — становятся дирижерами электронного оркестра. Они могут как создавать энергетические барьеры, так и прокладывать скоростные магистрали для зарядов. «Наш подход напоминает изучение поэзии: сначала анализируешь отдельные метафоры, а затем постигаешь гармонию целого стихотворения», — делится Лю Дунюй, доцент МИЭМ ВШЭ.
Новые данные показали: пространственная хореография дефектов влияет на электронные свойства сильнее, чем их плотность. Алгоритм выявил «ловушки» и «ускорители» заряда в запрещенной зоне полупроводника, которые традиционные методы просто не замечали из-за ограничений в масштабировании вычислений. Машинное обучение преодолело эти барьеры, раскрыв синергетическую «игру» дефектов на наноуровне.
«Наш метод — это мост между теорией и реальностью, — подчеркивает профессор Андрей Васенко. — Объединив молекулярную динамику, прецизионные расчеты и ИИ, мы создали универсальный инструмент для проектирования материалов будущего. Это ключ к сверхэффективным процессорам, гибкой электронике и новому поколению возобновляемой энергетики».
Пресс-служба НИУ ВШЭ
По материалам научной публикации
Источник: www.kommersant.ru
