ИИ ускоряет поиск материалов для безопасного хранения ядерных отходов

# ИИ ускоряет поиск материалов для безопасного хранения ядерных отходов

Российские учёные нашли способ решить одну из самых сложных проблем атомной энергетики — поиск материалов для надёжного хранения ядерных отходов. Секрет в необычном союзе: классическую химию объединили с машинным обучением. Команда исследователей из Сколтеха, AIRI и Sber AI построила точную фазовую диаграмму карбидов технеция, используя графовые нейронные сети вместо традиционных квантово-механических расчётов. Результаты опубликованы в авторитетном журнале Acta Materialia. Это не просто научный результат — это демонстрация того, как ИИ может кардинально менять скорость разработок в материаловедении.

Задача была поистине сложной. Карбиды технеция критически важны для безопасной утилизации ядерных отходов, но изучение их свойств требует огромных вычислительных затрат. Традиционный подход опирается на квантово-механические расчёты — методы, которые моделируют поведение электронов и ядер на уровне физических законов. Эти расчёты невероятно точны, но они требуют дней или недель вычислений даже на мощных суперкомпьютерах. Когда нужно исследовать тысячи потенциальных материалов и их комбинаций, это становится практически невозможной задачей. Учёные попадали в тупик: без полного понимания структуры материала невозможно гарантировать его надёжность для хранения опасных веществ, а расчёты этой структуры занимают чрезмерно много времени.

Здесь в игру вступили графовые нейронные сети — модели, которые представляют молекулы как графы, где атомы становятся узлами, а химические связи — рёбрами. Такая архитектура позволяет сети понимать пространственные отношения между атомами и предсказывать их поведение. Исследователи обучили нейросеть на результатах классических квантово-механических расчётов, позволяя ей "выучить" закономерности, которые те выявили. После обучения модель могла моментально предсказывать свойства новых соединений, на что раньше ушли бы недели. Это как если бы вы обучили опытного ремесленника, а потом попросили его дать письменное резюме своих знаний — потом другие люди смогут пользоваться этим резюме вместо долгого ученичества.

Результат впечатляет. Благодаря ИИ-модели исследователи построили детальную фазовую диаграмму карбидов технеция — карту, показывающую, какие кристаллические структуры материала стабильны при различных температурах и давлениях. Без потери точности процесс ускорился в тысячи раз. Это означает, что учёные смогли за несколько недель исследовать такой объём материалов, на который раньше потребовались бы годы. Работа доказывает: машинное обучение в материаловедении работает не просто как игрушка для демонстрации, но как полноценный инструмент для реальных научных задач.

Значение этого прорыва выходит далеко за рамки технеция. Атомная промышленность нуждается в материалах, способных выдержать экстремальные условия — высокие температуры, радиация, коррозия. Всё это требует глубокого понимания структуры материалов, а традиционные методы работают медленно. Применение ИИ открывает дорогу к системному поиску новых соединений с заранее заданными свойствами. Это может ускорить развитие более безопасных систем утилизации отходов, а может быть, и появление новых поколений ядерных реакторов.

Демонстрация того, как нейросети справляются с химией и материаловедением, сигнализирует о глубоких изменениях в науке. ИИ не заменяет учёных, но он перестаёт быть просто инструментом анализа данных. Машинное обучение становится партнёром в творческом процессе поиска решений. Сокращая путь от теории к практике, такие подходы ускоряют не просто исследования, но саму скорость научного прогресса в областях, где каждый день имеет значение.