Рассмотрена возможность использования больших языковых моделей, генеративного машинного обучения и методов работы с большими данными для предиктивного анализа электронных свойств наноструктур на основе полупроводниковых материалов, не ограничивая при этом общность данного подхода для иных кристаллических материалов. Описано концептуальное решение в виде кроссплатформенного программного приложения, имеющего функцию генерации расширенного поиска, для применения указанного подхода в работе с массивами научных данных. Результаты предварительного тестирования показывают положительный результат использования разработанного решения для предсказания полупроводниковых свойств (ширина запрещенной зоны, энергия Ферми) эталонного материала. Обсуждаются перспективы развития и внедрения методов больших данных, больших языковых моделей и генеративного искусственного интеллекта в рамках тенденций современного материаловедения.
The possibility of using large language models, generative machine learning and big data methods for predictive analysis of the electronic properties of nanostructures based on semiconductor materials is considered, without limiting the generality of this approach for other crystalline materials. The conceptual solution in the form of a cross-platform software application with an advanced search generation capability for applying this approach to working with scientific data arrays is described. Preliminary test results showed a positive result of using the developed solution to predict semiconductor properties (bandgap width, Fermi energy) of a reference material. Prospects for the development and implementation of big data methods, large language models, and generative artificial intelligence in the context of modern trends in materials science are discussed.
The authors declare that there are no conflicts of interest present.