Коллектив российских и зарубежных ученых создал новый подход к моделированию двумерных материалов, толщина которых составляет один или несколько атомных слоев. С помощью нейросети и особой модели ее обучения они прогнозируют свойства новых структур минимум в четыре раза точнее, чем другие научные группы. Также данная модель требует в несколько раз меньше вычислительных ресурсов, что ускоряет расчеты и делает их возможными даже при отсутствии суперкомпьютера. С помощью двумерных материалов можно создать транзисторы в 10 раз более быстрые, чем лучшие современные устройства. Эксперты считают, что 2D-структуры обязательно будут применяться в промышленном производстве, однако на их внедрение понадобится около 5–10 лет.
Меньше измерений
С каждым годом ученым всё сложнее наращивать вычислительные мощности процессоров. Дело в том, что специалисты практически подошли к размерному пределу — ведь нельзя сделать ножку транзистора меньше одного атома. Поэтому физики ищут новые подходы для развития в данной области. Один из них — это использование 2D-полупроводников. Они состоят из одного или нескольких атомарных слоев. 2D-материалы нужны для любых вычислительных аппаратов, где есть транзисторы: от смартфонов до суперкомпьютеров. Они представляют собой платформу для следующего поколения электронных устройств и других высокотехнологичных приложений.
— Теоретически на основе таких материалов мы сможем получить транзисторы с нулевым сопротивлением, что позволит создать устройства с еще большей скоростью работы и низким энергопотреблением, — рассказал «Известиям» руководитель Лаборатории искусственного интеллекта в новых материалах университета Иннополис Руслан Лукин. — В двумерной плоскости заряд двигается гораздо проще и быстрее, чем в объеме. Таким образом, мы имеем полупроводники для транзисторов с очень высокой скоростью передвижения электронов. Предположительно, с помощью таких материалов можно будет сделать транзисторы, работающие в 10 раз быстрее самых лучших современных устройств.
Однако взять любой двумерный полупроводник для такой задачи недостаточно. Нужно добавить в него атомы, которые изменят его свойства. Эти атомы называют дефектами, а также вакансиями или примесями в зависимости от их влияния на исходный материал. Рассчитать свойства создаваемого материала не способен даже очень квалифицированный специалист, а проверять его с помощью практических измерений нерационально. Поэтому для расчета свойств двумерных материалов применяют нейросети, однако они недостаточно точны и требуют больших вычислительных мощностей.
Эффект дефекта
Коллектив ученых из Высшей школы экономики, Национального университета Сингапура, университета Иннополис, а также лауреат Нобелевской премии по физике Константин Новоселов предложили новый подход для более быстрой и точной оценки свойств материалов.
— По сравнению с аналогичными методами расчетов наш подход демонстрирует снижение ошибки прогнозирования энергетических свойств вводимых дефектов как минимум в 3,7 раза,— сообщил «Известиям» Руслан Лукин. — Для некоторых параметров материала наша точность прогнозирования в 8–10 раз больше, чем у других групп. Кроме того, наш подход на порядок более ресурсоэффективен, чем его конкуренты как в части обучения нейросети, так и в части вывода конечного результата.
Для алгоритмов машинного обучения атомная структура — это набор точек в 3D-пространстве. У каждой точки есть свойства, распределенные вокруг нее. Они описываются так называемой волновой функцией. Введение дефекта создает колебания в электронных волновых функциях на атомном уровне, подобные камню, брошенному в пруд.
— В других подходах рассматривают кристаллическую структуру как облако точек атомов, из которых состоит базовый материал,— пояснил приглашенный профессор-исследователь Национального университета Сингапура Андрей Устюжанин. — Мы же рассматриваем ее как точечное облако дефектов. Чтобы его получить, мы берем структуру с дефектами и удаляем все атомы, на которые не влияют наши примеси. Все не затронутые изменениями атомы мы делаем виртуальными, тем самым получая разреженную структуру, что очень облегчает вычисления. Сначала нейросеть обучается на примерах материалов с известными свойствами, затем уже проводит расчеты для новых структур.
С вычислительной точки зрения обучение нейронной сети с использованием такого представления занимает как минимум в четыре раза меньше памяти и в восемь раз меньше операций графического процессора по сравнению с полным представлением.
Спешить есть куда
2D-материалы, несомненно, будут использоваться при промышленном производстве транзисторов, полагает ведущий научный сотрудник центра радиофотоники и СВЧ-технологий института нанотехнологий в электронике, спинтронике и фотонике Национального исследовательского ядерного университета «МИФИ», профессор Константин Катин. По его словам, на данный момент массовое применение 2D-материалов в промышленности не техническая, а число экономическая проблема. Пока старые технологии во многих случаях более выгодны, и под них произведено много оборудования, которое нерационально менять раньше истечения срока службы.
Однако другие эксперты отмечают наличие и технических сложностей в работе с двумерными материалами.
— Считается, что двумерные материалы (в том числе полупроводниковые) составят конкуренцию традиционным оптоэлектронным устройствам примерно через 5–10 лет, — рассказал эксперт Центра компетенций НТИ «Фотоника», профессор Алферовского университета, доктор физико-математических наук Иван Мухин. — На текущий момент основная сложность получения таких материалов кроется в синтезе высококачественных слоев большой площади промышленными методами. Исследования по созданию транзисторов на основе таких материалов ведутся последние 10 лет, и они доказали свою работоспособность.
Таким образом, в ближайшее время двумерные материалы вряд ли заменят кремний, поскольку для перехода к промышленному уровню производства еще предстоит решить ряд технологических проблем.
— Однако все трудности создания и работы с лихвой окупаются теми электронными, механическими и тепловыми свойствами, которые обеспечивают 2D-материалы,— заключил Константин Катин.
В качестве перспективного направления дальнейшей работы авторы статьи указывают объемные материалы. Они планируют применить тот же подход обучения нейросети для трехмерных полупроводников.