Науке давно известно, что свойства материала могут кардинально поменяться из-за изменений в структуре его кристаллической решетки под сильным давлением. Главная проблема в том, какое именно давление и в каком направлении к нему применять, чтобы добиться конкретного результата.
Технологии машинного обучения предлагают простой (по крайней мере, в теории) механизм поиска решения: пусть ИИ находит его методом проб и ошибок. Международная команда ученых, пишет Engadget, использовала в своем исследовании именно такой подход.
Созданный ими нейросетевой алгоритм предсказывает, как сила давления и направление её приложения повлияют на ключевые свойства полупроводников, делая их гораздо эффективнее. Процесс не требует предварительного формулирования предположений учеными.
Эта технология может привести к созданию полупроводников, которые будут заметно эффективнее существующих без значительных изменений. Например, кремниевый элемент солнечной батареи сможет захватывать столько же энергии, сколько и обычный, но при этом быть в тысячу раз тоньше.
А искусственный алмаз можно будет использовать как материал для полупроводников, в том числе процессоров, вместо кремния. В теории это позволит повысить производительность в 100 000 раз.
Хотя разработавшие нейросеть исследователи в настоящее время занимаются в основном изменением электрических свойств материалов, они утверждают, что их подход применим и для модификации оптических, а также тепловых характеристик. Главная проблема — реализовать вычисленное нейросетью усилие с высочайшей точностью, необходимой при производстве микрочипов.
Поскольку даже мобильные процессоры в наши дни содержат миллиарды транзисторов, до производства их из алмаза, вероятно, еще очень далеко. Однако исследование наглядно демонстрирует, как искусственный интеллект может помочь в решении ранее считавшихся невозможными задач и обеспечить экспоненциальный рост эффективности вычислений либо технологий "чистой" энергетики.
