Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: V Всероссийская (национальная) научная конференция «Достижения науки и технологий» (ДНиТ-V-2026); Красноярск; Красноярск
Год издания: 2026
Ключевые слова: machine learning, density functional theory, thermodynamic stability of materials, машинное обучение, теория функционала плотности, термодинамическая стабильность материалов
Аннотация: Актуальность задач целенаправленного поиска и дизайна новых материалов стимулирует развитие методов, альтернативных классическим вычислительным подходам, таким как теория функционала плотности (DFT), которые характеризуются высокими вычислительными затратами. Настоящий обзор посвящен критическому анализу современных фреймворков машПоказать полностьюинного обучения, применяемых для предсказания свойств и стабильности материалов. В работе сравнены основные методологические направления: методы, основанные исключительно на стехиометрическом составе, и более сложные подходы, учитывающие кристаллическую структуру, в частности, графовые нейронные сети (CGCNN, MEGNet). На основе данных сравнительных исследований и критических публикаций проведена оценка предсказательной способности рассмотренных фреймворков. Выявлен ключевой пробел: несмотря на высокую скорость, современные модели машинного обучения демонстрируют недостаточную надежность для прямого предсказания термодинамической стабильности. В заключении обоснована целесообразность использования машинного обучения в качестве инструмента для высокопроизводительного скрининга на первом этапе исследований с последующей верификацией кандидатов точными методами. Определены перспективные направления для дальнейших исследований, включая разработку гибридных и генеративных моделей. The relevance of targeted search and design of new materials stimulates the development of methods alternative to classical computational approaches, such as Density Functional Theory (DFT), which are characterized by high computational costs. This review provides a critical analysis of modern machine learning frameworks applied to predict material properties and stability. The work compares the main methodological approaches: methods based solely on stoichiometric composition and more complex approaches that account for crystal structure, particularly graph neural networks (CGCNN, MEGNet). Based on data from comparative studies and critical publications, an assessment of the predictive capability of the considered frameworks is conducted. A key gap has been identified: despite high speed, modern machine learning models demonstrate insufficient reliability for the direct prediction of thermodynamic stability. The conclusion substantiates the feasibility of using machine learning as a tool for high-throughput screening at the initial research stage, followed by verification of candidates using accurate methods. Promising directions for further research are outlined, including the development of hybrid and generative models.
Журнал: Достижения науки и технологий (ДНиТ-V-2026)
Номера страниц: 473-479
Место издания: Красноярск