Naturinspireret krystalstruktur forudsigelse

Forskere fra Rusland har rapporteret en måde at forbedre forudsigelsesalgoritmer for krystalstruktur, gør opdagelsen af ​​nye forbindelser flere gange hurtigere. Resultaterne af undersøgelsen blev offentliggjort i Computerfysik kommunikation .

I lyset af det stadigt stigende behov for nye teknologier, kemikere søger materialer med højere ydeevne med bedre styrke, vægt, stabilitet og andre egenskaber. Søgen efter nye materialer er en udfordrende opgave, og hvis det udføres eksperimentelt, tager meget tid og penge, da det ofte kræver at prøve et stort antal forbindelser under forskellige forhold. Computere kan hjælpe med dette, men de kræver gode algoritmer.

I 2005, Artem R. Oganov, nu professor i Skoltech og Moskva Institut for Fysik og Teknologi (MIPT), udviklede den evolutionære krystalstruktur forudsigelsesalgoritme USPEX, måske den mest succesrige algoritme på området, nu brugt af flere tusinde videnskabsmænd verden over. USPEX behøver kun at vide, hvilke atomer krystallen er lavet af. Derefter genererer det et lille antal tilfældige strukturer, hvis stabilitet vurderes ud fra energien af ​​interaktion mellem atomerne. Næste, en evolutionær mekanisme står for naturlig udvælgelse, crossover og mutationer af strukturerne og deres efterkommere, resulterer i særligt stabile forbindelser.

I deres nylige undersøgelse, videnskabsmænd fra Skoltech, MIPT og Samara State Technical University, ledet af Artem R. Oganov, forbedrede USPEX's første skridt, som genererer indledende strukturer. Viser, at rent tilfældig generering ikke er særlig effektiv, forskerne henvendte sig til naturen for at få inspiration og udviklede en tilfældig strukturgenerator baseret på en database over de topologiske typer af krystalstrukturer, sammenlægning af evolutionære tilgange udviklet af Oganov og topologiske tilgange udviklet af professor Vladislav Blatov fra Samara. Velvidende, at næsten alle de 200, 000 uorganiske krystalstrukturer kendt til dato tilhører 3, 000 topologiske typer, man kan meget hurtigt generere en række strukturer svarende til den efterspurgte struktur. Testene viste, at takket være den nye generator, den evolutionære søgning klarer forudsigelsesopgaverne 3 gange hurtigere sammenlignet med dens tidligere version.

"Den 3, 000 topologiske typer er resultatet af abstraktion anvendt på virkelige strukturer. Går man den anden vej rundt, du kan generere næsten alle de kendte strukturer og et uendeligt antal ukendte, men rimelige strukturer fra disse 3, 000 typer. Dette er et glimrende udgangspunkt for en evolutionær mekanisme. Lige fra starten afprøver du højst sandsynligt et område tæt på den optimale løsning. Du får enten den optimale løsning lige i starten, eller komme et sted i nærheden af ​​det og så få det ved evolutionær forbedring, " forklarer Pavel Bushlanov, den første forfatter til undersøgelsen og en forsker ved Oganovs laboratorium på Skoltech.