Период выполнения работ: 2026-2029 гг.
В данном проекте нужно будет разработать серию методов на базе машинного обучения для поиска наиболее энергетически выгодных полиморфов молекулярных кристаллов. Предполагается использовать генеративные модели, а также машиннообученные потенциалы межатомного взаимодействия. Все разработки будут имплементированы в пакете Sputnik. По данному проекту предполагается совместная работа с коллегами из Сколтеха, ВШЭ и Центрального Университета.
В данном проекте мы также будем использовать модели moment tensor potential и equivariant tensor network. В ходе активного обучения мы будем собирать обучающую выборку для различных кристаллов, а затем, имея хороший потенциал межатомного взаимодействия, будем проводить скрининг большого химического пространства в поисках наиболее стабильных материалов. Ранее, нами уже было показано, что использование машинно-обученных потенциалов позволяет получать результаты предсказания наиболее стабильных полиморфов с точностью, сравнимой с квантово-механическими расчетами.
План работ:
На первом этапе проекта предполагается провести бэнчмарк нелокальных обменно-корреляционных функционалов для различных молекулярных кристаллов. Вся дальнейшая работа с машинно-обученными моделями будет строиться на результатах данного бенчмарка. Планируется подготовка одной публикации по данному бенчмарку.
На втором этапе мы разработаем методологию расчета свободной энергии при конечных температурах, что подразумевает в том числе и учет квантовости ядер (nuclear quantum effect), например, в рамках path-integral molecular dynamics (PIMD). Мы уже разработали интерфейс для проведения расчетов PIMD с использованием MTP. Этот интерфейс использует пакет i-PI для осуществления PIMD и МОП MTP для расчетов сил, действующих на атомы, и энергий структур. По данному этапу также будет подготовлена публикация.
Используя высокоточные методы квантово-механических расчетов мы подготовим выборки для большого числа молекулярных кристаллов из Cambridge Crystal Structure Blind Test и параметризуем на них машиннообученные потенциалы межатомного взаимодействия. Использование MTP позволит значительно ускорить поиск наиболее стабильных полиморфов молекулярных кристаллов. По данной работе мы подготовим публикацию.
Кроме того, в ходе проекта у нас может возникнуть необходимость решить задачу учета дальнодействующих взаимодействий. Планируется решать данную задачу используя метод many-body dispersion для которого необходимо будет разработать и имплементировать методологию расчетов с использованием машинного обучения.