Исследование поверхностей потенциальной энергии многоэлементных материалов с использованием методов машинного обучения и первопринципных расчётов

Обнаружение новых функциональных материалов требует эффективного исследования сложных многокомпонентных систем, где традиционные методы предсказания кристаллической структуры (CSP) на основе теории функционала плотности (DFT) являются вычислительно затратными. Современные машинно-обучаемые межатомные потенциалы (MLIP) обеспечивают высокую вычислительную эффективность, однако без дообучения на конкретной системе не обладают достаточной точностью для надёжного предсказания фазовой стабильности. Проект направлен на разработку AI-ускоренного подхода к CSP, объединяющего дообученные MLIP, генерацию структур с помощью искусственного интеллекта и целенаправленный эволюционный поиск. Будет создана многоуровневая база данных для обучения моделей MACE, MatterSim, GAP, SNAP и NequIP с высокой точностью предсказания энергии. Предлагаемый подход позволит проводить крупномасштабный скрининг, выявлять низкоэнергетические структуры и направлять расчёты с использованием USPEX.