ИИ ускорил открытие супергидридов для водородной энергетики

Фото из открытых источников

Исследовательская группа из Японии и Великобритании добилась значительного прогресса в создании супергидридов благодаря применению методов машинного обучения, сообщает портал innovanews.ru. Используя искусственный интеллект, ученые смогли смоделировать сложные процессы, происходящие при синтезе новых материалов под воздействием экстремального давления, что ранее считалось практически невозможным без дорогостоящих и длительных экспериментов.

В ходе работы специалисты сосредоточились на изучении механизма образования супергидрида кальция (CaH₆). С помощью алгоритмов машинного обучения им удалось выяснить, что при высоком давлении поверхность обычного гидрида кальция (CaH₂) начинает плавиться, после чего активно поглощает молекулы водорода и переходит в новое кристаллическое состояние, формируя супергидрид. Эти результаты были опубликованы в научном журнале Proceedings of the National Academy of Sciences.

Руководитель исследования, профессор Син-ити Оримо из Университета Тохоку, подчеркнул, что ранее на подобные открытия уходили годы, однако современные цифровые методы позволяют моделировать химические реакции, которые долгое время оставались загадкой для ученых. По словам Оримо, это открытие открывает новые горизонты для ускорения разработки материалов, необходимых для создания эффективных водородных хранилищ и сверхпроводников.

Авторы работы отмечают, что внедрение машинного обучения в область высокотемпературной химии не только сокращает время поиска оптимальных условий синтеза, но и делает возможным фундаментальное изучение процессов, протекающих под воздействием высоких давлений. Это особенно важно для разработки экологически чистого водородного топлива, а также для создания новых сверхпроводников, которые могут найти применение в квантовых вычислениях и транспортных системах на магнитной подушке.

Вместе с тем исследователи признают, что точность работы искусственного интеллекта пока ограничена объемом исходных данных. Если алгоритмы обучаются только на известных соединениях, они могут не распознавать более сложные реакции, что требует дальнейшего совершенствования моделей и расширения базы данных.