Skoltech的科学家创建了一个神经网络模型来计算超硬材料。发现除了钻石之外，还可能存在其他超硬物质。
科学家对超硬材料感兴趣，因为它们适用于许多行业：石油生产，金属加工，珠宝，机床，微电子学和高科技生产。它们用于钻孔，切割，抛光，研磨。因此，重要的是发现具有超硬材料性能的新化合物。
目前，钻石是已知最硬的材料。但是其应用并不总是方便且昂贵。因此，例如，长期以来，钻机的头部一直是由pobedit制造的，pobedit是散布在钨和含钴钻石之间的混合物。另一种著名的超强材料是隆斯达石-碳晶体，一种金刚石。它不是基于立方晶格，而是基于六边形晶格。根据计算，硅灰石的硬度可以是钻石的1.5倍，并且可以切割。但是，在自然界中，几乎不可能以其纯粹的形式满足它。
硬度和断裂韧性是超硬材料的两个重要特性。第一个是抗断裂性，第二个是裂纹和裂痕的形成。机器学习可帮助您使用计算材料科学技术发现所需的属性。潜在的理论模型使识别相应的属性成为可能。
该模型由25岁的Efim Mazhnik创建，他是莫斯科物理技术学院的毕业生，并且是新材料计算机设计实验室Skoltech能源技术中心的研究生。这项工作的科学监督由Skoltech和莫斯科物理与技术学院的教授Artem Oganov进行。奥加诺夫的研究重点是新材料的理论设计，高压下的物质状态以及预测物质结构和性质的方法的发展。在2018年，他和他的同事预测存在硬度超过Pobedite合金的硼化钨WB5。
科学家们开发了一种使用卷积神经网络在图形上从材料的晶格预测材料特性的方法。
卷积神经网络是人工神经网络的一种特殊架构，它专注于模式识别，是深度学习的一部分。网络的名称来自“卷积”运算，在此过程中，图像的每个片段都逐点乘以卷积矩阵的元素。求和的结果被引用到输出图像中的相似位置。
可以训练此类网络以了解它们以前从未接触过的那些材料的属性。
Efim Mazhnik解释说，由于必要模型上的数据不足，他们使用了中间特性-弹性模量，该特性具有更多可用特性。
Artem Oganov补充说，该模型用于计算“超过12万个已知和假设的晶体结构”的特性。奥加诺夫解释说：“我们的模型证实了钻石是已知最难的物质，但同时也指出了其他数十种潜在的高硬度和超硬材料。”
研究成果发表在《应用物理学》杂志上。该研究经费由俄罗斯科学基金会（RSF）支持。
Skoltech新材料计算机设计实验室是一年前创建的，是俄罗斯科学基金会和Gazpromneft STC联合项目的一部分。
