Экспресс-анализ структурных и электронных свойств наноматериалов методами больших данных, больших языковых моделей и генеративного искусственного интеллекта

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. 

1. Niu, H. N. Simple and Accurate Model of Fracture Toughness of Solids / H. N. Niu, S. Niu, A. R. Oganov // J. Appl. Phys. 2019. Vol. 125. https://doi.org/10.1063/1.5066311.

2. First-Principles Prediction of Ferroelectric Janus Si2XY (X/Y = S/Se/Te, X ≠ Y) Monolayers with Negative Poisson’s Ratios / Y. Zhu [et al.] // Phys. Chem. Chem. Phys. 2024. Vol. 26. P. 4555–4563. https://doi.org/10.1039/D3CP05107B.

3. Graph Theory and Graph Neural Network Assisted High-Throughput Crystal Structure Prediction and Screening for Energy Conversion and Storage / J. Ojih [et al.] // J. Mater. Chem. A. 2024. Vol. 12. P. 8502–8515. https://doi.org/10.1039/D3TA06190F.

4. Price, S. L. Computed Crystal Energy Landscapes for Understanding and Predicting Organic Crystal Structures and Polymorphism / S. L. Price // Acc. Chem. Res. 2009. Vol. 42, Iss. 1. P. 117–126. https://doi.org/10.1021/ar800147t.

5. Ozaki, T. Variationally Optimized Atomic Orbitals for Large-Scale Electronic Structures / T. Ozaki // Phys. Rev. B. 2003. Vol. 67. https://doi.org/10.1103/physrevb.67.155108.

6. Ozaki, T. Numerical Atomic Basis Orbitals from H to Kr / T. Ozaki, H. Kino // Phys. Rev. B: Condens. Matter Mater. Phys. 2004. Vol. 69. https://doi.org/10.1103/PhysRevB.69.195113.

7. Ozaki, T. Efficient Projector Expansion for the Ab Initio LCAO Method / T. Ozaki, H. Kino // Phys. Rev. B. 2005. Vol. 72. https://doi.org/10.1103/PhysRevB.72.045121.

8. Шиманский, Н. А. Автоматизация обработки результатов исследования структуры и свойств наноматериалов / Н. А. Шиманский, А. В. Баглов, Л. С. Хорошко // BIG DATA и анализ высокого уровня: сб. науч. ст. IX Междунар. науч.-практ. конф., Минск, 17–18 мая 2023 г.: в 2 ч. Ч. 1. Минск: Белор. гос. ун-т информ. и радиоэлек., 2023. С. 296–300.

9. Шиманский, Н. А. Автоматизация обработки результатов исследования структуры материалов / Н. А. Шиманский, А. В. Баглов, Л. C. Хорошко // Information Tehnologies and Systems 2023 (ITS 2023): матер. Междунар. науч. конф., Минск, 22 нояб. 2023 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2023. C. 207–208.

10. Шиманский, Н. А. Экспресс-анализ структурных и электронных свойств наноматериалов методами Big Data, Large Language Models & Generative AI / Н. А. Шиманский, А. В. Баглов, Л. С. Хорошко // Компьютерное проектирование в электронике: сб. тр. Междунар. науч.-практ. конф, Минск, 28 нояб. 2024 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2024. С. 100–103.