Жидкие электролиты и расплавы
Расчет коэффициентов самодиффузии, вязкости и теплопроводности

• Молекулярнодинамические расчеты с применением машиннообучаемого потенциала MTP
• Уменьшение вычислительных затрат
• Достижение точности квантовомеханических расчетов

Расчет теплопроводности

Теплопроводность материалов является одним из наиболее важных свойств при проектировании приборов и установок. Например, для термоэлектрических модулей необходимо, чтобы материал термоэлектрика обладал как можно более низкой теплопроводностью. То же самое нужно и для термобарьерных покрытий -- как можно более низкая теплопроводность. Для микроэлектроники же наоборот хорошо иметь материал, который позволяет эффективно отводить тепло от элементов. Вычисление теплопроводности из первых принципов является крайне ресурсозатратной процедурой. Мы используем машинное обучение, чтобы делать эти расчеты быстро и без потери точности.

Предсказание кристаллической структуры

Мы разработали программный пакет, который позволяет заниматься первопринципным, эволюционным поиском неорганических соединений с варьируемым составом. В ходе эволюционного поиска мы можем проводить расчеты интересующих свойств и строить Парето фронт. Таким образом ведя поиск не только стабильных соединений, но и отбирая материалы с интересующими свойствами. Кроме того, мы используем графовые нейронные сети для быстрого скрининга баз даных уже известных материалов и таким образом можем подобрать материал с необходимыми параметрами.

Молекулярные кристаллы

Мы занимаемся поиском наиболее энергетически стабильных полиморфов молекулярных кристаллов при заданных термодинамических условиях. Сначала проводится скрининг конформационного пространства с использованием машиннообучаемого потенциала MTP (Moment Tensor Potential), затем для наиболее перспективных полиморфов мы проводим расчеты на основе теории функционала электронной плотности. Использование машинного обучения позволяет учесть влияние температуры и квантовые эффекты.

Катализ

Мы разработали алгоритм для ускорения поиска адсорбционных положений молекул, основанный на глобальной оптимизации геометрии поверхности адсорбата. Подход использует машиннообучаемый потенциал межатомного взаимодействия MTP (Moment Tensor Potential) и алгоритм активного обучения.