Николай Лазарев

Здравствуйте друзья! Продолжаю развивать компетенции прогнозирования свойств материалов. На текущий момент одним из наиболее перспективных направлений в этой области является применение графовых нейронных сетей. Этот проект основан на материалах курса «Machine Learning for Materials Design» Международного технологического университета Skoltech. Данный курс я осваивал под руководством наставника Кирилла Сиднова. Решил развивать данное направление в виде проекта на GitHub https://github.com/NikLaz25/GNN_for_materials_1/tree/main , постепенно добавляя новые модели и расширяя перечень задач...

Уважаемые читатели, хочу поделиться очередным шагом на пути специалиста AI систем. Дело в том, что ежегодно в Сколтехе проходит летняя школа по машинному обучению "Смайлс". В этот раз я решил принять участие, и подготовил презентацию по интересующей меня тематике - применению ИИ в материаловедении. Подготовка к участию стала для меня отдельным небольшим шагом, результаты которого нужно зафиксировать...

В данной статье описан мой первый шаг по применению графовых нейросетей GNN для прогнозирования свойств материалов. Если вам интересна тематика ИИ в материаловедении, то Вы наверняка слышали о возможности применения классических моделей машинного обучения в данной сфере. Но дело в том, что признаки в классическом ML не могут точно отразить структуру материала, а структура - это основа всех свойств! В свою очередь, графы идеально подходят для её описания, и на сегодняшний день являются одним из наиболее перспективных подходов в рамках нашей задачи...

Друзья, решил продублировать в отдельной статье одну главу из моего разбора полётов реализованного проекта. Возможно кому-то будет интересна не все главы а только тема особенностей валидации. Необычная валидация - это действительно наверное самое главное, что мне удалось узнать. Итак, оказывается есть особый подход при валидации ML-моделей в материаловедении! Если при кросс-валидации разбивка на обучающую и тестовую выборку происходит случайным образом, то в нашем случае данная разбивка может проходить по определенной логике...

В прошлой статье описан проект применения машинного обучения в материаловедении для прогнозирования модуля объёмной упругости. При анализе проекта от куратора получены крайне ценные замечания, которые можно учесть в последующих работах. Я решил подготовить отдельную статью, т.к. материала достаточно много. Напомню, что из базы данных MaterialsProject изначально были выгружены следующие признаки: 'point_group_tgs' - точечная группа симметрии 'symbol_pgs' - пространственная группа симметрии 'crystal_system_syngony'...