Узнайте больше о Цифровых Материалах
Свяжитесь с нами, чтобы обсудить возможное сотрудничество или получить ответы на интересующие вас вопросы.
Практический курс
Машинное обучение в атомистическом моделировании материалов
8 модулей
Каждый модуль состоит из лекционной и практической частей. На выполнение модуля дается 1 неделя. Результатом прохождения курса будет индивидуальный исследовательский проект.
10 недель
До освоения современных инструментов вычислительного материаловедения и их практического применения.
онлайн-формат
Лекции и тьюториалы по решению практических задач доступны в записи. Поддержка от кураторов в режиме онлайн. Регулярные встречи в формате вебинаров.
для кого
Курс требует наличие базовых знаний по математике и физике, а также основ программирования. Знание линейной алгебры, теории вероятности и физики твердого тела будет преимуществом.
Интервью с экспертами
Эксклюзивные беседы с признанными учеными:
мнения, идеи и истории.
мнения, идеи и истории.
Что вы узнаете на курсе?
Методы машинного обучения
Вы познакомитесь с нейросетевыми и байесовскими подходами, которые применяются в задачах вычислительного материаловедения.
Инструменты вычислительного материаловедения
Вы познакомитесь с пакетами для вычислений LAMMPS и Phonopy, библиотеками Pymatgen и ASE, визуализаторами OVITO и VESTA, с базами данных материалов, нейронными сетями для вычисления свойств материалов, а также с универсальными межатомными потенциалами.
Расчет свойств материалов
Вы научитесь расчитывать термодинамические свойства, транспортные свойства, фононный спектр и решеточную теплопроводность материалов.
Предсказание новых материалов
Вы узнаете о том, как решается задача предсказания кристаллической структуры материалов, а также попробуете решить ее на практике.
Кому подойдет данный курс?
-
Студентам технических направлений -
Научным сотрудникам - Работникам предприятий в лабораториях и R&D отделах
Программа курса
Лекция:
Практика:
Лекция:
- Краткая история науки
- Задачи машинного обучения
- Линейная регрессия
- Кросс-валидация
- Регуляризация
- Нелинейные методы машинного обучения
Практика:
- Алгоритмы аппроксимации данных
- Применение алгоритмов для реальных данных квантовомеханических расчетов для точного получения минимальной энергии структуры
Лекция:
- Введение в вычислительное материаловедение
Лекция:
Практика:
- Пакеты для работы с атомами, молекулами и структурами: Pymatgen, ASE
- Инструменты визуализации: OVITO, VESTA
- Базы данных материалов: Materials Project
Практика:
- Создание, расчет структур и постпроцессинг данных в Python
- Анализ и визуализация в программах OVITO и VESTA
- Работа с базами данных и API Materials Project
Лекция:
Практика:
- Что такое метод молекулярной динамики (МД) и каковы границы его применимости?
- Алгоритмы и теория метода МД
- Как готовить и проводить МД?
Практика:
- Подготовка начальных конфигураций для МД
- Подробный разбор пайплайна МД -моделирования
- Изучение свойств системы, взаимодействия в которой описываются Леннард-Джонс потенциалом: уравнение состояния, структура системы, среднеквадратичное смещение атомов
Лекция:
Практика:
Лекция:
Практика:
- Что такое нейронная сеть?
- Функции активации
- Модели нейронных сетей
- Функция потерь
- Градиентный спуск
- Обратное распространение ошибки
- Сверточные нейронные сети: свертка, пулинг
- Примеры свёрточных нейронных сетей
- Слои нейронной сети (Residual block)
Практика:
- Работа с PyTorch, операции над тензорами
- Полносвязная нейронная сеть
- Сверточная нейронная сеть
- Работа с датасетами MNIST и CIFAR-10
- GPU ускорение в PyTorch. Сравнение CPU и GPU
Лекция:
- Сверточная нейронная сеть
- Построение кристаллического графа
- Crystal Graph Convolutional Neural Network (CGCNN)
- Модели на основе CGCNN
Практика:
- Использование предобученной модели CGCNN
- Расчет энергий образования веществ
- Обучение собственной модели CGCNN
Практика:
- Определение температуры плавления из МД
- Расчёт теплоёмкости двумя методами
- Расчет коэффициента термического расширения
- Расчет диффузии через среднеквадратичное смещение и автокорреляционные функции
Лекция:
Лекция:
Лекция:
Практика:
Практика:
Практика:
- Зачем нужно изучать динамику решетки?
- Ключевые понятия (прямое и обратное пространство, типы элементарных ячеек, зона Бриллюэна)
- Колебания атомов в одномерной цепочке. Понятие фононов
- Оптические и акустические фононы
- Фононы в трехмерном пространстве
Лекция:
- Что такое гармоническое приближение и когда оно используется?
- Понятие динамической матрицы и ее связь с фононами
- Динамика решетки в гармоническом приближении
Лекция:
- Границы применимости гармонического приближения
- Квазигармоническое приближение
- Перенос тепла в кристаллах. Расчет теплопроводности
Практика:
- Расчет свойств материалов в гармоническом приближении
- Релаксация ячейки кремния с помощью потенциала MatterSim
- Расчет силовых констант второго порядка для кремния методом конечных смещений с помощью потенциала MatterSim в Phonopy
- Расчет фононных зонных структур и свойств для кремния в гармоническом приближении в Phonopy
Практика:
- Расчет зависимостей свойств материалов от температуры в квазигармоническом приближении
- Расчет зависимости объема от температуры для кремния с помощью потенциала MatterSim в Phonopy
- Вычисление коэффициента термического расширения для кремния
Практика:
- Расчет теплопроводности с помощью метода, основанного на решении уравнения Больцмана для фононов в приближении времени релаксации
- Расчет силовых констант второго и третьего порядка для кремния методом конечных смещений с помощью потенциала MatterSim в Phono3py
- Расчет теплопроводности для кремния в Phono3py
Лекция:
Практика:
- Гауссовское распределение
- Гауссовский процесс (ГП), ядро ГП
- Регрессия на основе гауссовского процесса
- Оптимизация гиперпараметров ядра ГП
- Предсказание значение линейных функционалов с помощью ГП
Практика:
- Реализация кода для ГП
- Обучение модели ГП для предсказания значений функции с неопределённостью
- Использование модели ГП для предсказания линейных функционалов — производной и интеграла
- Применение к данным молекулярной динамики для расчёта термодинамических свойств
Лекция:
Практика:
- Экспериментальный поиск материалов с заданными свойствами
- Обзор вычислительных подходов
- Поиск основного состояния конфигурации
- Обзор методов предсказания кристаллических структур
- Современные методы предсказания кристаллических структур
- Имплементация
Практика:
- Алгоритм предсказания кристаллической структуры материала
- Знакомство с пакетом Sputnik
- Поиск термодинамически стабильных конфигураций при фиксированном составе
- Поиск термодинамически стабильных конфигураций при варьируемом составе
- Построение выпуклой оболочки
Основные лекторы
- Никита РыбинPhD, CTO Digital Materials,
научный сотрудник Сколтеха - Михаил Половинкинисследователь Digital Materials,
аспирант Сколтеха - Андрей Колмаковразработчик Digital Materials,
магистрант МФТИ - Никита Васильевинженер-исследователь Сколтеха
- Екатерина Спирандэисследователь Digital Materials,
магистрант МФТИ - Ирина Ярышеваисследователь Digital Materials,
магистрант МФТИ - Рустам Арабовмагистрант Сколтеха,
стажер-исследователь - Константин Созыкининженер-исследователь Сколтеха
Процесс обучения
Формат занятий
- Все занятия проходят на собственной платформе
- Образовательные материалы курса заранее записаны
- Каждый модуль состоит из видеолекции, семинара и практического задания
- Сопровождение кураторов онлайн
Практика
- 8 практических семинаров
- 8 домашних заданий с проверкой преподавателем
- Выполнение проектов по выбору
Для участия в курсе необходимо:
Доступ к обучению получат кандидаты, успешно прошедшие конкурсный отбор. После прохождения отбора вы получите письмо на почту с инструкцией для входа в личный кабинет и информацией об этапах обучения.
- Заполнить форму регистрации
- Приложить CV (не более 1 страницы)
- Написать мотивационное письмо (не более 300 слов). Расскажите, почему вам интересен наш курс
Доступ к обучению получат кандидаты, успешно прошедшие конкурсный отбор. После прохождения отбора вы получите письмо на почту с инструкцией для входа в личный кабинет и информацией об этапах обучения.
Курс бесплатный. Для участия необходимо подать заявку на курс, заполнив форму регистрации.
Мы хотим, чтобы участие в курсе стало для вас максимально полезным и продуктивным. Для этого важно следовать установленному ритму обучения.
• Каждому модулю курса соответствует практическое задание. На его выполнение даётся 2 недели с момента открытия модуля.
Обратите внимание: если задание не будет выполнено в срок, доступ к курсу будет автоматически закрыт. Это необходимо, чтобы сохранить структуру и последовательность обучения, а также обеспечить объективность обратной связи в рамках фокус-группы.
• Мы ценим ваш интерес и стремление развиваться в этой области — и верим, что такие рамки помогут вам пройти курс с максимальной отдачей.
• Каждому модулю курса соответствует практическое задание. На его выполнение даётся 2 недели с момента открытия модуля.
Обратите внимание: если задание не будет выполнено в срок, доступ к курсу будет автоматически закрыт. Это необходимо, чтобы сохранить структуру и последовательность обучения, а также обеспечить объективность обратной связи в рамках фокус-группы.
• Мы ценим ваш интерес и стремление развиваться в этой области — и верим, что такие рамки помогут вам пройти курс с максимальной отдачей.
Курс стартует 1 июля и длится 10 недель.
Каждый модуль состоит из видеоуроков, справочных материалов и практических заданий. После каждого этапа вы выполяете домашнее задание, которое сопровождается куратором.
Для прохождения курса требуются базовые знания математики, физики и программирования. Знания физики твердого тела и теории вероятности будут преимуществом.
Наш курс состоит из 8 модулей, каждый из которых включает в себя лекционную и практическую части. На выполнение каждого модуля уходит примерно 1 неделя.
Курс состоит из 8 модулей, каждый из которых включает в себя лекционную и практическую части. На выполнение каждого модуля дается 1 неделя. Затем вы приступаете к выполнению проекта, который длится 2 недели.
Личный кабинет доступен на любом устройстве: и на смартфорне, и на ПК. Практические задания выполняются в Jupyter notebook, материалы занятий предоставляются.
Доступ к записям лекций и семинаров закрывается после окончания курса. Справочные материалы доступны для загрузки.
Регистрация на курс
Машинное обучение в атомистическом моделировании закрыта
Машинное обучение в атомистическом моделировании закрыта
Если вы не успели зарегистрироваться, подпишитесь на наши обновления, чтобы первыми узнавать о новых наборах и специальных предложениях.
Регистрация на курс
Машинное обучение в атомистическом моделировании закрыта
Машинное обучение в атомистическом моделировании закрыта
Если вы не успели зарегистрироваться, подпишитесь на наши обновления, чтобы первыми узнавать о новых наборах и специальных предложениях.
Цифровые материалы
143001, Московская область, г.о. Одинцовский,
г. Одинцово, Кутузовская ул, д. 4а, помещ. 1
ИНН: 9724193709
ОГРН: 1247700424531
Пользовательское соглашение
Политика конфиденциальности
Политика Cookies
г. Одинцово, Кутузовская ул, д. 4а, помещ. 1
ИНН: 9724193709
ОГРН: 1247700424531
Пользовательское соглашение
Политика конфиденциальности
Политика Cookies
Узнайте больше о Цифровых Материалах
Свяжитесь с нами, чтобы обсудить возможное сотрудничество или получить ответы на интересующие вас вопросы.