[BK 1.6] Атомістична інформатика матеріалів: від перших принципів до методів машинного навчання
Структура за темами
-
Рівень вищої освіти
Другий (магістерський)
Галузь знань
13 Механічна інженерія
Спеціальність
132 Матеріалознавство
Освітня програма
Матеріалознавство
Статус дисципліни
вибіркова
Форма навчання
очна (денна)
Рік підготовки, семестр
2 або 3 семестр
Обсяг дисципліни
5 кредитів (150 годин)
Семестровий контроль/ контрольні заходи
диференційований залік
Розклад занять
лекція – 2 год в тиждень (30 год); практичні– 1 год в тиждень
(15 год); самостійна робота – 105 год, диференційований залік
Мова викладання
Українська
Інформація про керівника курсу / викладачів
Кафедра прикладної фізики та матеріалознавства (Інститут проблем матеріалознавства ім. І.М. Францевича НАН України).
Лектор: канд. хім. наук, доцент Васільєв Олександр
Олексійович, o.vasiliev@outlook.com, +380673874349
Семінарські заняття: канд. хім. наук, доцент Васільєв
Олександр Олексійович, o.vasiliev@outlook.com, +380673874349
Розміщення курсу
Інтегроване середовище спільної роботи matsimlab.pp.ua:
· Сайт, календар, матеріали курсу;
· Груповий чат та засіб для відеоконференцій;
· Засоби опитувань та тестувань;
· Журнал успішності;
· Середовище для видачі та виконання практичних завдань.
-
· Основні поняття, мета та задачі атомістичної інформатики матеріалів, її міждисциплінарний характер
· Огляд основних опорних понять з дотичних дисциплін: фізичного матеріалознавства, фізики твердого тіла, хімії, математики, інформатики.
-
· Пакетний менеджер conda;
· Програмне середовище Jupyter Notebook;· Базові поняття та основи роботи з мовою програмування Python
-
· Основний функціонал та можливості ASE;
· Базові об’єкти атомістичних моделей ASE: Atom та Atoms;· Створення атомістичних моделей в ASE, основні операції з ними (геометричні перетворення, хімічне конструювання, візуалізація).
-
· Рівняння Шрьодінґера для багатьох тіл та основні методи його наближеного вирішення;
· Теорія функціоналу електронної густини;
· Розрахунок самоузгодженого поля;· Можливості та обмеження щодо застосування DFT.
-
· Загальні відомості про пакет програм Quantum Espresso;
· Інтеграція Quantum Espresso та ASE;
· Ключові параметри розрахунку та вибір їх оптимальних значень;· Підготовка вхідних даних та здійснення розрахунку.
-
· Наближення «фіксованих ядер» Борна-Оппенгаймера;
· Сили, що діють на атоми;
· Мінімізація сил, що діють на атоми методом градієнтного спуску;· Типи структурної мінімізації.
-
Тема 7. Оптимізація структури матеріалу у Quantum Espresso. Розрахункові спектри дифракції X-променів (рентгенівської дифракції)
· Підготовка вхідних даних для оптимізації структури з Quantum Espresso; Здійснення оптимізації та аналіз її результатів;· Генерування теоретичних спектрів рентгенівської дифракції для оптимізованих структур (ASE).
-
· Пружні деформації рівноважних структур;
· Визначення пружних сталих за енергією та напругою деформованих структур; Розрахунок пружних модулів для полікристалічних матеріалів (усереднення Войта, Реуса та Хілла);· Оцінка твердості за Вікерсом.
-
· Підготовка вхідних даних та деформованих структурних конфігурацій; Структурна оптимізація деформованих конфігурацій;
· Підбір параметрів поліноміальної апроксимації енергій та напруги деформованих конфігурацій;· Розрахунок пружних сталих та модулів та оцінка твердості.
-
· Енергії та хвильові функції Кона-Шема;
· Розрахунок електронної зонної структури за DFT.
-
· Підготовка вхідних даних;
· Самоузгоджений та несамоузгоджений розрахунок;· Обробка та візуалізація результатів розрахунку.
-
· Вібраційні властивості та спектри;
· Молекулярна динаміка;· Електронний та фононний транспорт (електро- та теплопровідність); Діелектричні та магнітні властивості.
-
· Базові принципи машинного навчання;
· Загальний огляд та класифікація методів машинного навчання;
· Застосування класичного машинного навчання в атомістичному моделюванні матеріалів;· Застосування нейронних мереж (глибокого машинного навчання) в атомістичному моделюванні матеріалів.
-
· Моделі кластерного розкладу;
· Метод машинного навчання LASSO для лінійної регресії у моделях кластерного розкладу;
· Застосування машинного навчання для побудови моделей кластерного розкладу з програмним модулем icet;
· Підготовка набору тренування-валідації з DFT;
· Тренування моделі та оцінка її ефективності;· Застосування моделі (енергії змішування та упорядкування в твердих розчинах).
-
Тема 15. Міжатомні потенціали машинного навчання для атомістичного моделювання складних систем значного розміру
· Нейронні мережі як міжатомні потенціали;
· Продуктивні високоточні міжатомні потенціали машинного навчання з пакетом програм NequIP;
· Підготовка набору тренування-валідації з DFT;
· Тренування моделі та оцінка її ефективності;· Застосування моделі (швидка оптимізація структури та молекулярна динаміка).
-
· Бази даних Materials Project, Aflow, NOMAD;
· Пошук та узагальнення інформації у базах даних (веб інтерфейс);
· Застосування вбудованих засобів машинного навчання· Пакетне отримання даних з OPTIMADE API