Прогнозирование свойств материалов представляет собой важный аспект материаловедения и играет ключевую роль в разработке и усовершенствовании новых материалов для различных областей применения. Значительная часть этих исследований направлена на поиск наиболее стабильных кристаллических структур, поскольку их стабильность во многом определяет применимость материала в реальных условиях эксплуатации. Традиционно учёные полагались на вычислительные методы, такие как теория функционала плотности. Хотя эти методы являются условно точными, такие расчёты требуют значительных вычислительных ресурсов. Модели машинного обучения способны аппроксимировать сложные квантово-механические вычисления с гораздо меньшими вычислительными затратами и ускорить поиск стабильных кристаллических структур.

Левенец М.Е. (науч. рук. Чибисов А.Н.) Графовые нейронные сети для аппроксимации полной энергии // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/15252