Բազմատարր նյութերի պոտենցիալ էներգետիկ մակերևույթների հետազոտություն՝ մեքենայական ուսուցման և առաջնային սկզբունքների մեթոդներով

Նոր ֆունկցիոնալ նյութերի հայտնաբերումը պահանջում է բարդ բազմատարր համակարգերի արդյունավետ ուսումնասիրություն, որտեղ խտության ֆունկցիոնալի տեսության (DFT) վրա հիմնված բյուրեղային կառուցվածքի կանխատեսման (CSP) ավանդական մեթոդները հաշվարկային տեսանկյունից ծախսատար են։ Ժամանակակից մեքենայական ուսուցմամբ միջատոմային պոտենցիալները (MLIP) հաշվարկային առումով արագ են, սակայն առանց տվյալ համակարգին հատուկ վերապատրաստման բավարար ճշգրտություն չեն ապահովում փուլային կայունության հուսալի կանխատեսման համար։ Նախագիծը նպատակ ունի մշակելու ԱԲ-արագացված CSP մեթոդաբանություն՝ համադրելով վերապատրաստված MLIP-ները, արհեստական բանականությամբ կառուցվածքների գեներացումը և նպատակային էվոլյուցիոն որոնումը։ Կստեղծվի բազմամակարդակ տվյալների բազա՝ MACE, MatterSim, GAP, SNAP և NequIP մոդելների ուսուցման համար՝ էներգիայի բարձր ճշգրտությամբ։ Առաջարկվող մոտեցումը հնարավորություն կընձեռի կատարելու լայնածավալ սկրինինգ, հայտնաբերելու ցածր էներգիայի կառուցվածքներ և ուղղորդելու USPEX որոնումները՝ ապահովելով կայուն և մետակայուն նոր նյութերի արդյունավետ հայտնաբերում։