KFU. Card publication. Изучение физических свойств материалов с помощью машинно-обученных потенциалов, созданных в программном пакете MedeA

KAZAN
FEDERAL UNIVERSITY

- RUS
- 中文
- ES

ИЗУЧЕНИЕ ФИЗИЧЕСКИХ СВОЙСТВ МАТЕРИАЛОВ С ПОМОЩЬЮ МАШИННО-ОБУЧЕННЫХ ПОТЕНЦИАЛОВ, СОЗДАННЫХ В ПРОГРАММНОМ ПАКЕТЕ MEDEA

Form of presentation

Non-approved manuals

Year of publication

2024

Язык

русский

Authors, employees of KFU

Akhmerov Ruslan Faritovich, author

Burganova Regina Midkhatovna, author

Gumarova Irina Ivanovna, author

Nedopekin Oleg Vladimirovich, author

Bibliographic description in the original language

Izuchenie fizicheskikh svoystv materialov s pomoshhyu mashinno-obuchennykh potencialov, sozdannykh v programmnom pakete MedeA / R.F. Akhmerov, I.I. Gumarova, R.M. Burganova, O.V. Nedopekin. - Kazan: KFU, 2024. – 62 s.

Annotation

Теоретическое изучение физической природы и свойств неорганических и органических соединений как в кристаллическом (моно-, поликристаллы, наноструктуры), так и в аморфном состоянии (полимеры, композиты), в зависимости от их химического, изотопного состава, температуры и давления - является важным этапом исследования новых материалов. В частности, особый интерес представляют расчеты электронной зонной структуры, динамики решетки и кристаллической структуры, построения фазовых диаграмм сложных многокомпонентных систем. Ставший в последние десятилетия популярным теоретический подход, основанный на приближенных решениях уравнения Шредингера (первопринципные методы), способен очень точно описывать свойства конденсированных сред. Однако теоретическое описание их свойств ограничено вследствие необходимости привлечения больших расчетных мощностей. Сегодня, благодаря развитию компьютерных технологий и алгоритмов машинного обучения, стало возможным применять методы на основе силовых полей, например, молекулярную динамику, но обладающих точностью первопринципных методов. Это возможно благодаря тому, что машинное обучение происходит на основе первопринципных расчетов. Такой подход позволяет описывать сложные многокомпонентные системы за разумное время с хорошей точностью. Настоящее учебное пособие призвано дать обзор подходов машинного обучения для создания потенциалов межатомного взаимодействия, принципов составления базы данных структур на основе расчетов из первых принципов, использования сгенерированных потенциалов в коде LAMMPS, реализующих алгоритм молекулярной динамики, для предсказания широкого диапазона свойств материалов. Настоящее пособие адресовано, в первую очередь, магистрам специальности «Физика перспективных материалов«, обучающихся на курсе «Компьютерный дизайн новых материалов«, а также широкому кругу читателей, интересующихся указанной проблемой.

Keywords

Машинное обучение, материаловедение, потенциал межатомного взаимодействия

On-line resource for training course

http://dspace.kpfu.ru/xmlui/bitstream/handle/net/184032/F_MLP_Metodichka_2024.pdf?sequence=2&isAllowed=y

Please use this ID to quote from or refer to the card

https://repository.kpfu.ru/eng/?p_id=301798&p_lang=2

Resource files

File name	Size (MB)	Format
F_MLP_Metodichka_2024.pdf	12,05	pdf	show / download

Full metadata record

Field DC	Value	Language
dc.contributor.author	Akhmerov Ruslan Faritovich	ru_RU
dc.contributor.author	Burganova Regina Midkhatovna	ru_RU
dc.contributor.author	Gumarova Irina Ivanovna	ru_RU
dc.contributor.author	Nedopekin Oleg Vladimirovich	ru_RU
dc.date.accessioned	2024-01-01T00:00:00Z	ru_RU
dc.date.available	2024-01-01T00:00:00Z	ru_RU
dc.date.issued	2024	ru_RU
dc.identifier.citation	Изучение физических свойств материалов с помощью машинно-обученных потенциалов, созданных в программном пакете MedeA / Р.Ф. Ахмеров, И.И. Гумарова, Р.М. Бурганова, О.В. Недопекин. - Казань: КФУ, 2024. – 62 с.	ru_RU
dc.identifier.uri	https://repository.kpfu.ru/eng/?p_id=301798&p_lang=2	ru_RU
dc.description.abstract	Теоретическое изучение физической природы и свойств неорганических и органических соединений как в кристаллическом (моно-, поликристаллы, наноструктуры), так и в аморфном состоянии (полимеры, композиты), в зависимости от их химического, изотопного состава, температуры и давления - является важным этапом исследования новых материалов. В частности, особый интерес представляют расчеты электронной зонной структуры, динамики решетки и кристаллической структуры, построения фазовых диаграмм сложных многокомпонентных систем. Ставший в последние десятилетия популярным теоретический подход, основанный на приближенных решениях уравнения Шредингера (первопринципные методы), способен очень точно описывать свойства конденсированных сред. Однако теоретическое описание их свойств ограничено вследствие необходимости привлечения больших расчетных мощностей. Сегодня, благодаря развитию компьютерных технологий и алгоритмов машинного обучения, стало возможным применять методы на основе силовых полей, например, молекулярную динамику, но обладающих точностью первопринципных методов. Это возможно благодаря тому, что машинное обучение происходит на основе первопринципных расчетов. Такой подход позволяет описывать сложные многокомпонентные системы за разумное время с хорошей точностью. Настоящее учебное пособие призвано дать обзор подходов машинного обучения для создания потенциалов межатомного взаимодействия, принципов составления базы данных структур на основе расчетов из первых принципов, использования сгенерированных потенциалов в коде LAMMPS, реализующих алгоритм молекулярной динамики, для предсказания широкого диапазона свойств материалов. Настоящее пособие адресовано, в первую очередь, магистрам специальности «Физика перспективных материалов«, обучающихся на курсе «Компьютерный дизайн новых материалов«, а также широкому кругу читателей, интересующихся указанной проблемой.	ru_RU
dc.language.iso	ru	ru_RU
dc.subject	Машинное обучение	ru_RU
dc.subject	материаловедение	ru_RU
dc.subject	потенциал межатомного взаимодействия	ru_RU
dc.title	Изучение физических свойств материалов с помощью машинно-обученных потенциалов, созданных в программном пакете MedeA	ru_RU
dc.type	Non-approved manuals	ru_RU