The object of research, development or design (in Russian) : Основные обьекты исследования - использование разработанных инструментов машинного обучения для улучшения и предсказания свойств и молекулярной динамики материалов на основе графена. Таким образом, проект способствует развитию индустрии новых материалов (анализ и поиск материалов на основе графена), информатику (анализ данных и создание новых алгоритмов машинного обучения) и образование/науку (открытые данные и инструменты).

The object of research, development or design (in Kazakh) : Зерттеудің негізгі нысандары-графен негізіндегі материалдардың қасиеттерін жақсарту және болжау үшін әзірленген Машиналық оқыту құралдарын пайдалану. Осылайша, жоба жаңа материалдар индустриясын (графенге негізделген материалдарды талдау және іздеу), информатиканы (деректерді талдау және машиналық оқытудың жаңа алгоритмдерін құру) және білім/ғылымды (ашық деректер мен құралдар) дамытуға ықпал етеді.

Aim of work (in Russian) : Основная цель этого проекта — объединить инновационные технологии машинного обучения с моделированием молекулярной динамики для оптимизации производительности материалов и устройств на основе графена. Эксплуатационные свойства модифицированных материалов и устройств будут проверены экспериментально в отдельных случаях.

Aim of work (in Kazakh) : Бұл жобаның негізгі мақсаты - графен негізіндегі материалдар мен құрылғылардың өнімділігін оңтайландыру үшін машиналық оқытудың инновациялық технологияларын молекулалық динамикалық модельдеумен біріктіру. Таңдалған жағдайлар үшін модификацияланған материалдар мен құрылғылардың өнімділікке қатысты қасиеттері эксперименталды түрде тексеріледі.

Методы исследования (на русском) : Использование функций потерь с возможностью заполнения недостающих значений и использование остаточных связей; Генерирование прогнозов для известных графеновых соединений с целью их таргетированного использования; Генерация новых графеновых соединений. Ускорение и упрощение симуляций молекулярной динамики за счет машинного обучения. Полуконтрольное обучение

Методы исследования (на казахском) : Жетіспейтін мәндерді толтыру мүмкіндігімен жоғалту функцияларын пайдалану және қалдық байланыстарды пайдалану; белгілі графен қосылыстары үшін оларды мақсатты пайдалану мақсатында болжамдар жасау; жаңа графен қосылыстарын генерациялау. Машиналық оқыту арқылы молекулалық динамикалық модельдеуді жеделдету және жеңілдету. Бақыланатын оқыту

Obtained results and novelty (in Russian) : 1. Разработанные технологии станут уникальным инструментом для кастомизации структур на основе графена, включая нанолисты, сверхрешетки, мембраны и электроды. В данный момент мы работаем над созданием данного инструментария используя полуконтрольное обучение, графы и цифровые вектора. Исследуется возможность применения альтернативных подходов таких как трансформеры и сверточные нейронные сети. Ведутся работы по улучшению точности предсказаний выбранных архитектур, а также анализ возможности комбинированного подхода через несколько моделей 2. Интеграция моделей машинного обучения с молекулярно-динамическими решателями позволит с минимальными затратами времени и средств оценивать характеристики соответствующих графеновых структур. Как говорилось ранее, в данный момент идет тестирование различных архитектур для проверки их эффективности в рамках выявления сложных связей для графеновых соединений 3. Пользовательский набор данных по оптимизации дизайна материалов с бенчмаркингом послужит базой для дальнейшего расширения исследований. Были проведены симуляции молекулярной динамики с дополнительным функционалом расширения базы данных за счет методов полуконтрольного обучения и разметки. Ведется работа по созданию удобного набора функций для подготовки и использования базы данных графеновых соединений с целевыми свойствами по терморегуляции и опреснению воды.

Obtained results and novelty (in Kazakh) : 1. Әзірленген технологиялар графен негізіндегі құрылымдарды, соның ішінде нано-парақтарды, суперторлар, мембраналар мен электродтарды теңшеудің бірегей құралы болады. Қазіргі уақытта біз бақыланатын оқытуды, графиктерді және сандық векторларды қолдана отырып, осы құралдарды жасау үшін жұмыс істеп жатырмыз. Трансформаторлар мен конволюциялық нейрондық желілер сияқты балама тәсілдерді қолдану мүмкіндігі зерттелуде. Таңдалған архитектуралардың болжамдарының дәлдігін жақсарту бойынша жұмыстар жүргізілуде, сонымен қатар бірнеше модельдер арқылы біріктірілген тәсілдің мүмкіндіктерін талдау жүргізілуде 2. Машиналық оқыту модельдерін молекулалық-динамикалық шешгіштермен біріктіру уақыт пен қаражаттың минималды шығындарымен сәйкес графен құрылымдарының сипаттамаларын бағалауға мүмкіндік береді. Бұрын айтылғандай, қазіргі уақытта графен қосылыстары үшін күрделі байланыстарды анықтау шеңберінде олардың тиімділігін тексеру үшін әртүрлі архитектуралар сынақтан өтуде 3. Эталондық материалдардың дизайнын оңтайландыруға арналған жеке мәліметтер жиынтығы зерттеулерді одан әрі кеңейтуге негіз болады. Жартылай бақылау және белгілеу әдістері арқылы мәліметтер базасын кеңейтудің қосымша функционалдығы бар Молекулалық динамикалық модельдеу жүргізілді. Терморегуляция және суды тұщыландыру бойынша мақсатты қасиеттері бар графен қосылыстарының дерекқорын дайындау және пайдалану үшін ыңғайлы функциялар жиынтығын құру бойынша жұмыс жүргізілуде.

The main constructive and technical economic indicators (in Russian) : Проект стартовал только в августе, поэтому публикаций в журналы пока не было. Однако работа идет полным ходом, мы уже создали ядро для работы с предложенной базой данных, а также провели множество бенчмарков по обсуждаемым методологиям. В следующем году мы рассчитываем получить как минимум 1 публикацию в международном журнале Q1/Q2.

The main constructive and technical economic indicators (in Kazakh) : Жоба тек тамыз айында басталды, сондықтан журналдарда әлі Жарияланымдар болған жоқ. Дегенмен, жұмыс қызу жүріп жатыр, біз ұсынылған дерекқормен жұмыс істеу үшін өзек құрдық, сондай-ақ талқыланатын әдістемелер бойынша көптеген эталондар өткіздік. Келесі жылы біз Q1/Q2 халықаралық журналында кем дегенде 1 басылым аламыз деп күтеміз.

Level of implementation (in Russian) : Экспериментальный уровень

Level of implementation (in Kazakh) : Эксперименттік деңгей

Efficiency (in Russian) : Разрабатываемое программное обеспечение использует современные подходы машинного обучения, библиотеки Python, а также подвергается постоянной ревизии для ускорения и эффектиности работы. Вся работа равномерно распределена между участниками проекта для достижения эффективного исследования и разработки

Efficiency (in Kazakh) : Әзірленіп жатқан бағдарламалық жасақтама машиналық оқытудың, Python кітапханасының заманауи тәсілдерін қолданады, сонымен қатар жұмысты жеделдету және тиімді ету үшін үнемі қайта қаралуда. Барлық жұмыс тиімді зерттеулер мен әзірлемелерге қол жеткізу үшін жобаға қатысушылар арасында біркелкі бөлінеді

Field of application (in Russian) : Индустрия производства и поиска новых материалов, Фундаментальная информатика и дата-аналитика, космическая и бытовая промышленность

Field of application (in Kazakh) : Жаңа материалдарды өндіру және іздеу индустриясы, іргелі информатика және дата-аналитика, ғарыш және тұрмыстық өнеркәсіп