Семинары по вычислительной механике ESG

Семинары по вычислительной механике

Добро пожаловать на регулярные семинары по актуальным темам исследований в области вычислительной механики!

Приглашённые лекторы из Сколтеха и других вузов выступают с докладами, чтобы познакомить студентов с текущими исследованиями и достижениями в различных областях современной механики жидкости и твёрдого тела, прикладной математики, вычислительной математики и промышленного применения механики. Студенты получают возможность узнать об актуальных проблемах механики у ведущих специалистов в области вычислительной механики.

Семинары проводятся на английском языке.

Календарь семинаров на 2025 год будет опубликован в ближайшее время.

Ведущий преподаватель: Аслан Касимов, доцент

Контакты: A.Kasimov@skoltech.ru

Проектный центр по энергопереходу

Программа магистратуры «Прикладная вычислительная механика»

Аслан Касимов, доцент

5 ФЕВРАЛЯ, 14:00 | МЕХАНИЧЕСКИЕ СВОЙСТВА МОНОКРИСТАЛЛИЧЕСКИХ И ПОЛИКРИСТАЛЛИЧЕСКИХ ВЕЩЕСТВ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ

Аудитория: R3-2009
Докладчик: Фаридун Джалолов, аспирант программы «Науки о материалах», Сколтех

Many industrial materials are synthesized as polycrystals or multiphase systems. They contain both a single crystal and amorphous components between single crystal grains. The large number of atoms makes it hard to calculate the properties of these systems using modern quantum-mechanical methods. Density functional theory can only be applied to materials with a few hundred atoms. To address the problem, we use a machine-learning approach based on Moment Tensor Potentials (MTP). As compared to other solutions, the potential of the new method learned in active learning on local atomic environments. When calculating a large structure with many hundreds of thousands of atoms, the MTP identifies which atom makes a mistake in the calculations, or is calculated incorrectly. The reason for this could be the limited training dataset, which prevents all possible system configurations from being considered. A local environment of this atom is then “cut out” and its energy calculated using quantum mechanics. Afterwards, the data is added back to the training set for further learning. As the on-the-fly learning progresses, the calculations continue until they come across another configuration that needs to be included in the training process. Other known machine-learning potentials cannot learn on small local parts of large structures, which limits their applicability and accuracy.

Google Scholar

ResearchGate

Mechanical Properties of Single and Polycrystalline Solids from Machine Learning (F. N. Jalolov, E. V. Podryabinkin, A. R. Oganov, A. V. Shapeev, A. G. Kvashnin)

Прошедшие семинары