| Title: | Методы машинного обучения с использованием данных ОреnМХ и AFLOW для оптимизации вычислительного эксперимента |
| Other Titles: | Predictive filtering of nanomaterials structures using machine learning methods based on ОреnМХ and AFLOW data |
| Authors: | Шиманский, Н. А. |
| Keywords: | материалы конференций;Big Data;информационные системы;нейронные сети;наноматериалы;2D-структуры |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Шиманский, Н. А. Методы машинного обучения с использованием данных ОреnМХ и AFLOW для оптимизации вычислительного эксперимента = Predictive filtering of nanomaterials structures using machine learning methods based on ОреnМХ and AFLOW data / Н. А. Шиманский // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 105–110. |
| 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. |
| Alternative abstract: | The paper proposes a method to accelerate computational modeling of nanomaterials by preliminary
filtering of structures using neural network models. Based on open crystal structure databases (AFLOW). a training
set containing lattice parameters, atomic positions, and calculated formation energies is formed. Using gradient
boosting methods (XGBoost. LightGBM) and deep neural networks, a classifier is built that predicts the Bravais lattice
type and formation energy for new virtual configurations generated from OpenMX input files. This allows rejecting
obviously unstable structures before resource-intensive DFT calculations. The obtained results are integrated with the
previously developed Agentic Al platform for automated knowledge base enrichment and prediction validation. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/63587 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
