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) : Разработан и протестирован комбинированный подход MD–ML для прогнозирования и оптимизации свойств функционализированного графена, включая нанолисты, сверхрешётки, мембраны и электроды. Настроенные скрипты LAMMPS использованы для получения термомеханических данных (теплопроводность, модуль Юнга, прочность) более чем для 600 конфигураций графена. На их основе обучены регрессионные модели (SVR, MLP, Gaussian Process), продемонстрировавшие высокую точность при тестировании (R² > 0,98, MAE < 1 %). Проведены исследования архитектур и подходов машинного обучения — полуконтрольного обучения и трансформеров — для улучшения представления структур и повышения точности предсказаний. Запрототипирован цикл обратного проектирования, позволяющий адаптировать свойства графеновых материалов под заданные характеристики. Разработаны и протестированы сценарии MD-моделирования мембран для опреснения воды и разделения газов. Для мембран с различными функциональными группами (H, CH₃) выполнены первые симуляции потоков воды и ионного отклонения. Проанализированы разные возможности построения ML-моделей, прогнозирующих поток воды и селективность по солям, что позволяет оптимизировать геометрию мембран и ведется разработка их прототипов.

Obtained results and novelty (in Kazakh) : Нанолистерді, суперторларды, мембраналарды және электродтарды қоса алғанда, функционалды графеннің қасиеттерін болжау және оңтайландыру үшін MD–ML біріктірілген тәсілі әзірленді және сыналды. Реттелген LAMMPS сценарийлері 600-ден астам графен конфигурациялары үшін термомеханикалық деректерді (жылу өткізгіштік, жас модуль, беріктік) алу үшін қолданылады. Олардың негізінде тестілеу кезінде жоғары дәлдікті көрсеткен регрессиялық модельдер (SVR, MLP, Gaussian Process) оқытылды (R2 > 0,98, MAE < 1 %). Құрылымдарды ұсынуды жақсарту және болжамдардың дәлдігін жақсарту үшін машиналық оқытудың архитектуралары мен тәсілдері — жартылай бақыланатын оқыту және трансформаторлар бойынша зерттеулер жүргізілді. Графен материалдарының қасиеттерін берілген сипаттамаларға бейімдеуге мүмкіндік беретін кері дизайн циклі прототиптелген. Суды тұщыландыру және газды бөлу үшін мембраналық MD модельдеу сценарийлері әзірленді және сыналды. Әр түрлі функционалды топтары бар мембраналар үшін (H, CH,) су ағындары мен иондық ауытқудың алғашқы модельдеулері жасалады. Мембраналардың геометриясын оңтайландыруға және олардың прототиптерін жасауға мүмкіндік беретін су ағыны мен тұздардың селективтілігін болжайтын ML модельдерін құрудың әртүрлі мүмкіндіктері талданды.

The main constructive and technical economic indicators (in Russian) : Сформирован пользовательский набор данных и рабочие процессы MD–ML, которые служат основой для дальнейшего развития инструментов моделирования и кастомизации графеновых материалов с заданными свойствами. Подготовлены и представлены результаты исследований в виде научных публикаций: – статья, принятая к печати в журнале RSC Advances (Q1, Scopus); – обзор направленный в Journal of Molecular Liquids; – абстракты конференций INESS 2025 и NUARC 2025.

The main constructive and technical economic indicators (in Kazakh) : Берілген қасиеттері бар графен материалдарын модельдеу және теңшеу құралдарын одан әрі дамытуға негіз болатын MD–ML пайдаланушы деректер жиынтығы мен жұмыс процестері құрылды. Зерттеу нәтижелері ғылыми жарияланымдар түрінде дайындалды және ұсынылды: - RSC Advances журналында (Q1, Scopus) шығаруға қабылданған мақала; - шолу Journal of Molecular Liquids журналына бағытталған; - INESS 2025 және NUARC 2025 конференцияларының абстрактілері.

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