Машинное обучение в науке о материалах

Бакалавриат 2025/2026

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Новиков Иван Сергеевич

Язык: русский

Кредиты: 5

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящен применению методов машинного обучения в науке о материалах. Во время занятий речь пойдёт о машинно-обучаемых потенциалах межатомного взаимодействия и алгоритмов их обучения, гауссовских процессах, графовых нейронных сетях и символьной регрессии. Кроме того, в курсе будет краткое введение в вычислительное материаловедение: базовые понятия физики твердого тела, основные принципы квантово-механических расчетов и молекулярно-динамического моделирования. По результатам прохождения курса слушатели получат теоретические основы современных методов машинного обучения в вычислительном материаловедении, а также практические навыки их использования для исследования материалов.

Цель освоения дисциплины

Основными целями курса является ознакомление слушателей с теоретическими основами атомистического моделирования, такими как метод теории функционала плотности и молекулярной динамики, а также методами машинного обучения в вычислительном материаловедении. Помимо теоретических знаний, целью курса является ознакомление слушателей с пакетами и программными кодами, применяемыми в вычислительном материаловедении, а также в получении навыков работы на суперкомпьютере.

Планируемые результаты обучения

По результатам прохождения курса слушатели получат теоретические основы атомистического моделирования и современных методов машинного обучения в вычислительном материаловедении, а также практические навыки их использования для исследования материалов.

Содержание учебной дисциплины

1. Введение в физику твердого тела и машинное обучение
2. Введение в теорию функционала плотности
3. Машинно-обучаемые потенциалы. Moment Tensor Potential как пример полиномиального потенциала
4. Молекулярно-динамическое моделирование
5. Активное обучение 1
6. Активное обучение 2
7. DeePMD как пример модели на основе глубоких нейронных сетей
8. Графовые нейронные сети
9. Малоранговые машинно-обучаемые потенциалы
10. Машинно-обучаемые потенциалы с электронными степенями свободы
11. Гауссовские процессы
12. Машинное обучение для моделирования электролитов
13. Модель состав-свойство
14. Символьная регрессия в материаловедении

Элементы контроля

Тест
Перед каждым занятием, кроме первого и последнего занятия, слушателям курса будет предложено пять вопросов по предыдущей лекции. На тест дается пять минут, он пишется в аудитории на листах бумаги. Можно пользоваться рукописными конспектами при ответе на тест. По прошествии пяти минут листы сдаются, преподаватель и ассистент их оценивают, а сами оценки за тест приводятся в сводной таблице перед каждым следующим занятием.
Домашнее задание
После некоторых занятий слушателям даются домашние задания, которые заключаются в решении той или иной задачи на компьютере с помощью изученных на курсе пакетов. Задания присылаются в электронном виде, ассистент и преподаватель их оценивают. Срок выполнения каждого задания – 10 дней со дня получения.
Экзамен
После финальной лекции проходит экзамен. Каждый слушатель тянет билет, который состоит из двух вопросов, которые могут быть как теоретическими, так и простыми практическими, не требующими сложных выкладок. Можно пользоваться рукописными конспектами при подготовке к ответу на билет.
Вопрос по выбору
Слушатель либо находит сам, либо выбирает из выданного набора одну статью по тематике курса, изучает ее и делает презентацию по ней в день экзамена. Преподаватель и ассистент оценивают презентации и ответы на вопросы по ней.

Промежуточная аттестация

2025/2026 2nd module
0.25 * Вопрос по выбору + 0.25 * Домашнее задание + 0.2 * Тест + 0.3 * Экзамен

Программа дисциплины