Группа New Materials Design в AIRI занимается разработкой гибридных подходов, объединяющих современные нейросетевые архитектуры (в т.ч. графовые нейронные сети, диффузионных модели, трансформеры и т.д.) и численное моделирование (преимущественно теорию функционала электронной плотности) для решения прямых и обратных задач теоретического материаловедения. Реализуемые решения в партнерстве с ведущими научно-исследовательскими группами апробируются в экспериментах по синтезу предсказанных стабильных кристаллических структур и испытаниях, подтверждающих наличие предсказанных свойств. Результаты работы публикуются в ведущих научных рецензируемых журналах (см. приложение). Среди примеров исследуемых функциональных материалов: материалы для фотовольтаики, микро-/оптоэлектроники, катализа, сверхтвердые материалы и матрицы для хранения радиоактивных изотопов.
Задачи
● Разработка и реализация нейросетевых архитектур (в т.ч. на основе графовых нейросетей) для предсказания свойств материалов (PyG и аналоги)
● Разработка моделей генеративного искусственного интеллекта/эвристик составления обучающих наборов данных в области теоретического материаловедения и дизайна материалов с заданными свойствами
● Верификация разработанных подходов на модельных данных
● Публикация научных статей (A*), подготовка и поддержка репозиториев (GitHub) с наборами данных, а также презентация результатов работы на международных конференциях
● Высшее образование в области математики, физики или смежных дисциплин, наличие ученой степени будет преимуществом.
● Знание программирования на Python и владение инструментами для обработки и анализа данных.
● Практический опыт работы с глубокими нейронными сетями и знание основных фреймворков (TensorFlow, PyTorch).
● Наличие статей в ведущих научных изданиях (Q1) и рейтинговых (A*) AI конференциях.
● Опыт разработки архитектур генеративных моделей искусственного интеллекта (stable diffusion, flow matching и другие) будет преимуществом.
● Умение работать в команде, высокая мотивация и способность к самостоятельному решению сложных задач.
Приложение. Примеры последних публикаций по основной теме группы:
● Eremin, R. A., Humonen, I. S., Kazakov, A. A., Lazarev, V. D., Pushkarev, A. P., & Budennyy, S. A. (2024). Graph neural networks for predicting structural stability of Cd-and Zn-doped γ-CsPbI3. Computational Materials Science, 232, 112672.
● Rumiantsev, E., Khrabrov, K., Tsypin, A., Peresypkin, N. D., Gimaev, R. R., Zverev, V., ... & Kadurin, A. (2024). Doping position estimation for FeRh-based alloys. Scientific Reports, 14(1), 20612.
● Korovin, A. N., Humonen, I. S., Samtsevich, A. I., Eremin, R. A., Vasilev, A. I., Lazarev, V. D., & Budennyy, S. A. (2023). Boosting heterogeneous catalyst discovery by structurally constrained deep learning models. Materials Today Chemistry, 30, 101541
● Eremin, R. A., Humonen, I. S., Zolotarev, P. N., Medrish, I. V., Zhukov, L. E., & Budennyy, S. A. (2022). Hybrid dft/data-driven approach for searching for new quasicrystal approximants in sc-x (x= rh, pd, ir, pt) systems. Crystal Growth & Design, 22(7), 4570-4581.
