Розмір шрифта:
ЗАСТОСУВАННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ (MACHINE LEARNING) ДЛЯ ПРОГНОЗУВАННЯ ВЛАСТИВОСТЕЙ НОВИХ МАТЕРІАЛІВ
Остання редакція: 2026-05-27
Анотація
У роботі розглядається застосування алгоритмів машинного навчання для прогнозування фізичних та
хімічних властивостей нових матеріалів. Проаналізовано методи регресії, нейронних мереж та алгоритму
випадкового лісу для передбачення таких характеристик, як температура Кюрі, ширина забороненої зони та
механічна міцність. Наведено ключові фізичні рівняння, що описують досліджувані явища. Показано, що
застосування машинного навчання дозволяє суттєво скоротити час і ресурси лабораторних досліджень
порівняно з традиційними підходами.
APPLICATION OF MACHINE LEARNING ALGORITHMS
(MACHINE LEARNING) TO PREDICT
PROPERTIES OF NEW MATERIALS
Abstracts: The paper examines the application of machine learning algorithms for predicting physical and chemical properties
of new materials. Regression methods, neural networks, and random forest algorithms are analysed to predict
characteristics such as Curie temperature, band gap width and mechanical strength. Key physical equations describing
the studied phenomena are presented. It is shown that machine learning can significantly reduce the time and resources
required for laboratory research compared to traditional approaches
хімічних властивостей нових матеріалів. Проаналізовано методи регресії, нейронних мереж та алгоритму
випадкового лісу для передбачення таких характеристик, як температура Кюрі, ширина забороненої зони та
механічна міцність. Наведено ключові фізичні рівняння, що описують досліджувані явища. Показано, що
застосування машинного навчання дозволяє суттєво скоротити час і ресурси лабораторних досліджень
порівняно з традиційними підходами.
APPLICATION OF MACHINE LEARNING ALGORITHMS
(MACHINE LEARNING) TO PREDICT
PROPERTIES OF NEW MATERIALS
Abstracts: The paper examines the application of machine learning algorithms for predicting physical and chemical properties
of new materials. Regression methods, neural networks, and random forest algorithms are analysed to predict
characteristics such as Curie temperature, band gap width and mechanical strength. Key physical equations describing
the studied phenomena are presented. It is shown that machine learning can significantly reduce the time and resources
required for laboratory research compared to traditional approaches
Ключові слова
машинне навчання; прогнозування властивостей матеріалів; нейронні мережі; випадковий ліс; ширина забороненої зони; матеріалознавство; machine learning; prediction of material properties; neural networks; random forest; band gap; materials science
Посилання
Butler K. T., Davies D. W., Cartwright H., Isayev O., Walsh A. Machine learning for molecular and materials science //
Nature. – 2018. – Vol. 559. – P. 547–555.
Schmidt J., Marques M. R. G., Botti S., Marques M. A. L. Recent advances and applications of machine learning in solidstate materials science // npj Computational Materials. – 2019. – Vol. 5. – Art. 83.
Chen C., Ye W., Zuo Y., Zheng C., Ong S. P. Graph Networks as a Universal Machine Learning Framework for Molecules
and Crystals // Chemistry of Materials. – 2019. – Vol. 31. – P. 3564–3572.
Nature. – 2018. – Vol. 559. – P. 547–555.
Schmidt J., Marques M. R. G., Botti S., Marques M. A. L. Recent advances and applications of machine learning in solidstate materials science // npj Computational Materials. – 2019. – Vol. 5. – Art. 83.
Chen C., Ye W., Zuo Y., Zheng C., Ong S. P. Graph Networks as a Universal Machine Learning Framework for Molecules
and Crystals // Chemistry of Materials. – 2019. – Vol. 31. – P. 3564–3572.
Повний текст:
PDF