Методы машинного обучения с использованием данных ОреnМХ и AFLOW для оптимизации вычислительного эксперимента

Abstract

В работе предлагается метод ускорения вычислительного моделирования наноматериалов за счёт предварительного отбора структур с помощью нейросетевых моделей. Обучающая выборка формируется на базе открытых данных кристаллических структур из базы AFLOW и включает следующие параметры: геометрические характеристики решётки, координаты атомов и рассчитанные значения энергии образования. Для построения классификатора, прогнозирующего тип решётки Браве и энергию образования новых виртуальных конфигураций (генерируемых на основе входных файлов программного пакета ОреnМХ), применены методы градиентного бустинга (XGBoost, LightGBM) и архитектуры глубоких нейронных сетей. Предложенный подход позволяет исключить заведомо нестабильные структуры из последующего цикла ресурсоёмких расчётов методом теории функционала плотности. Результаты моделирования интегрируются с ранее созданной платформой Agentic AI, что обеспечивает автоматизированное пополнение базы знаний и валидацию полученных предсказаний.