Dmitry Korogod, Alexander Shapeev, Ivan Novikov

В работе представлены две модели с явным дальнодействующим электростатическим взаимодействием, включающие точечные заряды, зависящие от локального атомного окружения; вторая модель также сохраняет полный заряд атомной системы. Предложенные модели дальнодействия объединены с локальным потенциалом MTP и применены к органическим димерам и кристаллу NaCl.

Mikhail Polovinkin, Ksenia Abramova, Oksana Rahmanova, Farit Valiev, Andrey Isakov, Andrey Goryachikh, Alexander Galashev, Yurii Zaikov, Dmitrii Maksimov, Alexander Shapeev, Nikita Rybin

В работе представлен подход, объединяющий в сквозное моделирование молекулярнодинамические расчёты с использованием машиннообучаемых потенциалов MTP и конечно-элементное моделирование.

M. Polovinkin, N. Rybin, D. Maksimov, F. Valiev, A. Khudorozhkova, M. Laptev, A. Rudenko, A. Shapeev.

В работе представлен подход к изучению свойств расплавов на основе молекулярного моделирования с использованием MTP. Метод применён для двух ключевых систем производства кальция: расплав Ca–Cu и электролит CaCl₂–KCl.

Jiaxuan Li, Nikita Rybin, Taowei Wang, Alexander Shapeev, Xiaotong Chen, Bing Liu

В статье представлен подход к обучению машинообучаемых потенциалов MTP, который позволил описать механизм диффузии цезия в аморфных и поликристаллических структурах карбида кремния.

Konstantin Sozykin, Nikita Rybin, Andrei Chertkov, Anh-Huy Phan, Ivan Oseledets, Alexander Shapeev, Ivan Novikov, Gleb Ryzhakov

В работе представлен метод глобальной оптимизации на основе tensor train decomposition, который позволяет вычислительно эффективно находить стабильные конфигурации для систем размером до 45 атомов.

Olga Chalykh, Mikhail Polovinkin, Dmitry Korogod, Nikita Rybin, Alexander Shapeev

В работе показано, как машиннообучаемые потенциалы MTP с явным учетом электростатического взаимодействия применяются для моделирования электролитов.

Dmitry Korogod, Olga Chalykh, Max Hodapp, Nikita Rybin, Ivan Novikov, Alexander Shapeev

В работе показано, как включение кулоновских взаимодействий в машиннообучаемые потенциалы MTP повышает точность моделирования органических димеров заряженных молекул.

Dmitry Fedorov, Nikita Rybin, Mikhail Averyanov, Alexander Shapeev, Artem Oganov, Carlo Nervi

В работе предложен оптимизированный метод на основе ван-дер-ваальсовых функционалов (DF1 и DF2) для точного моделирования структур молекулярных кристаллов.

Ekaterina Spirande, Timofei Miryashkin, Andrei Kolmakov, Alexander Shapeev

Разработана методология исследования термодинамических свойств материалов с применением молекулярной динамики и фононных расчетов

Timofei Miryashkin, Olga Klimanova, Alexander Shapeev

Выполнено построение фазовой диаграммы в зависимости от температуры и состава для системы Ti-V с применением байесовской регресии и машинообучаемого потенциала MTP.

Alexander Solovykh, Nikita Rybin, Ivan S. Novikov, Alexander Shapeev

Представлена методология использования машиннообучаемых потенциалов MTP (Moment Tensor Potentials) для проведения молекулярнодинамического моделирования с учетом квантовости ядер (path-integral molecular dynamics).

I. Chepkasov, A. Radina, V. Baidyshev, M. Polovinkin, N. Rybin, A. Shapeev, A. Krikorov, A. Oganov, Z.Dashevsky, D. Kvashnin and A. Kvashnin

В данной работе показано, как допировать PbTe, чтобы сделать его менее ломким. Различные потенциалы машинного обучения использованы для изучения механических свойств и транспорта тепла.

I. Vorotnikov, F. Romashov, N. Rybin, M. Rakhuba, I. Novikov

В работе показано применение низкоранговых матричных и тензорных разложений для машиннообучаемых MTP и ACE, позволяющее сократить количество радиальных параметров до 50% без потери точности при описании таких систем, как Mo-Nb-Ta-W, FLiNaK и молекулярные кристаллы глицина.

R. Arabov, N. Rybin, V. Demin, M. Polovinkin, A. Kvashnin, L. Chernozatonskii, A. Shapeev

Исследовано влияние угла поворота на электронные свойства и перенос тепла в Муаровых решетках на базе графена и нитрида бора.

Olga Chalykh, Dmitry Korogod, Ivan S. Novikov, Max Hodapp, Nikita Rybin, and Alexander Shapeev

Представлена методология учета дальнодействующих взаимодействий в локальных машиннообучаемых потенциалах межатомного взаимодействия.

Nikita Rybin, Evgeny Moerman, Pranab Gain, Artem R. Oganov, and Alexander Shapeev

На базе пакета для эволюционного поиска структуры материалов проведено исследование по определению стабильных фаз в системе Sr-C при различных давлениях. Найден ряд новых структур.

Nikita Rybin, Dmitrii Maksimov, Yuriy Zaikov, Alexander Shapeev

В рамках молекулярнодинамического моделирования с машиннообучаемыми потенциалами межатомного взаимодействия рассчитаны температурные зависимости плотности, вязкости, самодиффузия элементов, а также теплопроводности для расплава солей NaF-LiF-KF. Данный состав является перспективным для жидкостно-солевых реакторов нового поколения.

Nikita Rybin, Ivan S. Novikov, Alexander Shapeev

Машиннообучаемый потенциал MTP (Moment Tensor Potential) использован для ускорения поиска наиболее энергетически выгодных полимеров молекулярных кристаллов таких как бензол и глицин. Показано, что использование MTP позволяет в разы ускорить поиск без потери точности.

Olga Klimanova, Nikita Rybin, Alexander Shapeev

Машиннообучаемый потенциал MTP (Moment Tensor Potential) использован для ускорения поиска наиболее энергетически выгодных позиций адсорбции молекул на металлических поверхностях. Показано, что использование MTP позволяет в разы ускорить поиск без потери точности.

Jiaxuan Li, Nikita Rybin, Taowei Wang, Alexander Shapeev, Xiaotong Chen, Bing Liu

Используя молекулярнодинамическое моделирование с машиннообученными потенциалами межатомного взаимодействия исследована диффузия Cs в аморфном и поликристаллическом SiC.