КАРТОЧКА
ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер 18-71-00092
НазваниеМногомасштабная диагностика структуры нанокомпозитных материалов, содержащих моно- и биметаллические наночастицы, с использованием алгоритмов машинного обучения.
РуководительПрядченко Василий Владимирович, Кандидат физико-математических наук
Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", Ростовская обл
| Период выполнения при поддержке РНФ | 07.2018 - 06.2020 |
Конкурс№29 - Конкурс 2018 года по мероприятию «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными.
Область знания, основной код классификатора 01 - Математика, информатика и науки о системах, 01-218 - Математическое моделирование физических явлений
Ключевые словаискусственные нейронные сети, машинное обучение, структурный анализ, нанокомпозиты, биметаллические наночастицы, атомная структура, морфология наночастиц, диагностика наноматериалов
Код ГРНТИ29.19.22
СтатусУспешно завершен
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
На протяжении всей истории человечества прогресс в технологиях определялся поиском новых объектов: от металлических сплавов, до выведения пород животных. Как правило, этот поиск осуществлялся не направленным образом, а методом проб и ошибок, перебором имеющихся компонентов и методов работы с ними. Накопление научных знаний о внутреннем строении объектов и закономерностей их взаимодействия позволило сделать этот поиск более направленным, но доля слепого поиска остается значительной и сегодня, что свидетельствует о недостатке знаний о внутреннем устройстве и процессах. Взрывной рост нанотехнологий во многом обязан вниманию к важному варьируемому признаку – размеру частиц, который, как оказалось, может радикально изменить свойства материала в целом. Дальнейший прогресс характеризуется всё большим усложнением и без того непростых для изучения наноматериалов, в том числе, путем формирования многокомпонентных структур из атомов разных типов. Осуществление направленного поиска таких новых материалов требует соответствующего улучшения методов диагностики структуры материалов на разных уровнях: микронном, нанометровом и субнанометровом. Существует ряд методов, как прямых (микроскопических), так и косвенных (спектроскопических и дифракционных), которые позволяют получать эту информацию, однако, ее получение не является ординарной задачей и требует серьезных усилий узких специалистов по каждому методу в каждой конкретной задаче. Целью заявляемого проекта является упрощение диагностики сложных наноматериалов, для чего будет разработан прототип экспертной системы, позволяющей по совокупности экспериментальных данных различной природы получать информацию о структурной организации нанокомпозитов нанесенных или внедренных моно- и биметаллических наночастиц в нанометровом и субнанометровом масштабах. В качестве источника экспериментальных данных будут использованы данные рентгеновской спектроскопии поглощения (X-ray Absorption Spectroscopy – XAS), малоуглового рентгеновского рассеяния (Small Angle X-ray Scattering – SAXS) и спектров оптической экстинкции (последнее – для плазмонных наночастиц). Получение структурной информации будет осуществляться с использованием современных методов машинного обучения, что позволит обеспечить универсальность подхода для исследования широкого класса нанокомпозитов, содержащих двухкомпонентные наночастицы со сложной архитектурой от структуры типа ядро-оболочка до твердого раствора, различных форм и размеров, а также различной степенью агломерации частиц.
Ожидаемые результаты
В результате выполнения проекта будет разработан прототип экспертной системы, позволяющей по совокупности экспериментальных данных различной природы (рентгеновское поглощение, малоугловое рентгеновское рассеяние, оптическая экстинкция) получать информацию о структурной организации нанокомпозитов нанесенных или внедренных моно- и биметаллических наночастиц в нанометровом и субнанометровом масштабах. Такой подход к исследованию внутреннего строения и пространственной организации биметаллических наночастиц, основанный на использовании различных, взаимодополняющих экспериментальных методов диагностики, будет востребован для изучения широкого класса нанокомпозитов, содержащих двухкомпонентные наночастицы со сложной архитектурой от структур типа ядро-оболочка до твердого раствора, различных форм и размеров, а также различной степенью агломерации частиц.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Аннотация результатов, полученных в 2018 году
В результате выполнения первого этапа работ по проекту разработаны все необходимые программные модули, которые позволяют формировать данные для обучения и тестирования набора искусственных нейронных сетей и других алгоритмов машинного обучения, способных по данным различной природы определять структурные характеристики монометаллических атомных наночастиц и их ансамблей. С помощью разработанных программных модулей сформирован набор атомных кластеров различных форм и размеров. Для этих кластеров рассчитаны спектры рентгеновского поглощения в околопороговой области (XANES – X-ray Absorption Near Edge Spectra), кривые малоуглового рентгеновского рассеяния (SAXS – Small Angle X-ray Scattering), спектры оптической экстинкции в области поверхностного плазмонного резонанса (SPR – Surface Plasmon Resonance). С использованием рассчитанных данных обучены нейронные сети, позволяющие по данным XANES прогнозировать значения координационных чисел первых четырех координационных сфер в монометаллических атомных кластерах, знания которых позволяют определять размер, форму и тип симметрии монодисперсных наночастиц; по данным SAXS - определять характер размерного распределения монометаллических наночастиц, а также алгоритм градиентного бустинга (GBM – Gradient Boosting Machine), позволяющий прогнозировать кривые SPR для агломератов монометаллических наночастиц в диэлектрической среде.
Публикации
1. Раздоров В.Н., Яблуновский К.А. Прядченко В.В., Шагинян А.Л., Бугаев Л.А. Machine learning assisted study of uv/vis data of agglomerates of gold nanoparticles in glass The 7th International school for young researchers “Smart nanomaterials”, с. 69 (год публикации - 2018)
2. Шагинян А.Л., Прядченко В.В., Авакян Л.А. Study of structure of monometallic nanoparticles using machine learning algorithms The 7th International school for young researchers “Smart nanomaterials”, с. 75 (год публикации - 2018)
3. Шагинян А.Л., Прядченко В.В., Раздоров В.Н., Авакян Л.А. Определение структуры ГЦК-металлических наночастиц по XANES-спектрам с использованием алгоритмов машинного обучения LIII Школа ПИЯФ по физике конденсированного состояния “ФКС-2019”, с. 66 (год публикации - 2019)
4. Шагинян А.Л., Прядченко В.В., Раздоров В.Н., Авакян Л.А. Исследование структуры монометаллических наночастиц с использованием алгоритмов машинного обучения Международная научная конференция студентов, аспирантов и молодых учёных “Ломоносов-2019”, 960 (год публикации - 2019)
Аннотация результатов, полученных в 2019 году
В результате выполнения второго этапа работ по проекту разработаны программные модули, которые позволяют формировать данные для обучения и тестирования набора искусственных нейронных сетей и других алгоритмов машинного обучения, способных по данным спектроскопии рентгеновского поглощения определять средние значений парциальных координационных чисел первой координационной сферы биметаллических атомных наночастиц. С помощью разработанных программных модулей сформирован набор атомных кластеров различных форм и размеров, и имеющих различный характер распределения компонентов по объему: от однородного твердого раствора до кластеров с архитектурой "ядро-оболочка". Для этих кластеров рассчитаны спектры рентгеновского поглощения в околопороговой области (XANES – X-ray Absorption Near Edge Spectra), однако, без учета структурных деформаций, связанных с различием межатомных потенциалов для пар атомов разного типа. С использованием рассчитанных данных обучена нейронная сеть, позволяющая по данным XANES прогнозировать значения координационных чисел первой координационной сферы в биметаллических атомных кластерах, знания которых позволяют определять характер распределения компонентов по объему. Обученная модель обеспечивает на тестовых синтетических данных среднюю абсолютную ошибку определения значений парциальных координационных чисел первой координационной сферы в биметаллических атомных кластерах составов PtCu, AuCu, PtAu до 15%. Кроме того, обучен нейросетевой классификатор, решающий задачу классификации нанокластеров по типу их архитектуры по данным XANES за карем поглощения только одного из двух типов атомов, формирующих кластер.
Публикации
1. А.А. Елизарова, В.В. Срабионян, Л.А. Авакян, Л.А. Бугаев, В.В. Прядченко Определение структурных характеристик монометаллических атомных нанокластеров по данным спектроскопии рентгеновского поглощения методами машинного обучения Физика твердого тела, - (год публикации - 2020)
Возможность практического использования результатов
не указано