Это открытие знаменует собой переход от дорогостоящего и длительного экспериментального подхода к созданию технологии синтеза материалов к её полной сквозной цифровой разработке – от предсказания кристаллической структуры до проектирования промышленного оборудования для синтеза.

Высококачественные кристаллы и тонкие пленки лежат в основе современных технологий — от микроэлектроники до лазерной техники. Хотя ученые уже научились предсказывать структуру новых перспективных материалов с помощью квантовой химии и искусственного интеллекта, ключевой проблемой остается разработка технологии их промышленного синтеза. Существующие фундаментальные теории роста кристаллов плохо справляются со сложными многокомпонентными системами, из-за чего процесс оптимизации условий роста превращается в многолетнюю и крайне затратную рутину, требующую тысяч пробных экспериментов.

Ученые ИПМаш РАН предложили решение, которое кардинально меняет ситуацию.

«Мы смогли преодолеть главное ограничение — разрыв между атомистическим и макроскопическим моделированием. Наш метод объединяет два мира: мы генерируем огромные массивы данных на уровне атомов, а затем “учим” на них искусственный интеллект, который с феноменальной скоростью предсказывает поведение кристалла в реальных ростовых установках. Фактически, мы создали “цифровой двойник” процесса эпитаксиального роста, который работает с точностью и быстродействием, недостижимых для классических теорий и численных методов», – комментирует ведущий научный сотрудник ИПМаш РАН Алексей Редьков.

В основе метода лежит гибридная атомистическая модель, реализованная на графических процессорах (GPU). Это позволило впервые смоделировать систему, содержащую около 600 миллионов атомов на больших временах, что является рекордным значением, приближающимся к макроскопическим масштабам. На этой модели было проведено 10 000 виртуальных экспериментов, охвативших все возможные сочетания ростовых условий, возникающие явления и особенности процесса роста.

Полученные данные использовали для обучения моделей машинного обучения. Обученная ИИ-модель не только выявила скрытые взаимосвязи в процессе роста, но и научилась предсказывать его результат. Критическое преимущество — скорость: модель выдает прогноз за доли миллисекунды, что значительно быстрее прямого атомистического моделирования на GPU.

Разработка представляет собой переход от аналитических теорий с их упрощениями к data-driven (основанной на данных) методологии. Высокая скорость предсказания открывает путь к интеграции ИИ-модели в макроскопическое моделирование промышленных ростовых реакторов, где она сможет служить точным граничным условием. Это решает проблему мультимасштабного моделирования, связывая атомарный и макроуровень.

Методология применима к ключевым технологиям эпитаксии, таким как МЛЭ, MOCVD и HVPE. Она позволит в разы ускорить разработку и оптимизацию синтеза кристаллов для полупроводниковой промышленности, фотовольтаики и квантовых технологий. В перспективе это станет последним звеном в создании полностью цифрового контура проектирования технологии и оборудования для промышленного синтеза новых перспективных материалов с необходимыми свойствами.

Работа опубликована в Acta Materialia.

Комментариев пока нет.