Предсказание частот фононных мод халькопиритов с использованием графовой нейронной сети | Известия вузов. Физика. 2025. № 11. DOI: 10.17223/00213411/68/11/11

Предсказание частот фононных мод халькопиритов с использованием графовой нейронной сети

Квантово-химические расчеты частот фононных мод оптических нелинейных кристаллов требуют больших вычислительных затрат. В данной работе на основе графовой нейронной сети рассмотрена предиктивная модель для предсказания частот фононных мод оптических кристаллов типа «халькопирит». Для обучения нейронной сети использовались информация о структурах кристаллов типа «халькопирит» и частоты фононных мод из базы теоретических расчетов «Computational Raman Database». Показано, что коэффициент детерминации предсказания частот фононных мод разработанной модели равен 0.922.

Скачать электронную версию публикации

Загружен, раз: 2

Ключевые слова

фононные моды, графовая нейронная сеть, оптические кристаллы, халькопирит, предиктивная модель, квантово-химические расчеты

Авторы

ФИО	Организация	Дополнительно	E-mail
Снегерев Михаил Сергеевич	Национальный исследовательский Томский государственный университет	лаборант лаборатории лазерного молекулярного имиджинга и машинного обучения	snegerev@mail.tsu.ru
Князькова Анастасия Игоревна	Институт оптики атмосферы им. В.Е. Зуева СО РАН	к.ф.-м.н., науч. сотр.	knyazkova@iao.ru
Вражнов Денис Александрович	Институт оптики атмосферы им. В.Е. Зуева СО РАН	ст. науч. сотр.	vda@iao.ru
Распопин Георгий Константинович	Институт оптики атмосферы им. В.Е. Зуева СО РАН	мл. науч. сотр.	RaspopinGK@mail.tsu.ru
Кистенeв Юрий Владимирович	Институт оптики атмосферы им. В.Е. Зуева СО РАН	д.ф.-м.н., профессор, гл. науч. сотр.	yuk@iao.ru

Всего: 5

Ссылки

Murray Sandroni M. et al. // ACS Energy Lett. - 2017. - V. 2. - No. 5. - P. 1076-1088. - DOI: 10.1021/acsenergylett.7b00003-9.

Thomas S.R. et al. // RSC Advances. - 2016. - V. 6. - No. 65. - P. 60643-60656. - DOI: 10.1039/c6ra05502h.

Wada T. // Jpn. J. Appl. Phys. - 2021. - V. 60. - No. 8. - P. 080101. - DOI: 10.35848/1347-4065/ac08ac.

Kittel C., McEuen P.Introduction to Solid State Physics. - John Wiley & Sons, 2018.

Kohn W., Sham L.J. // Phys. Rev. - 1965. - V. 140. - No. 4A. - P. A1133. - DOI: 10.1103/PhysRev.140.A1133.

Baroni S., Giannozzi P., Testa A. // Phys. Rev. Lett. - 1987. - V. 58. - No. 18. - P. 1861. - DOI: 10.1103/PhysRevLett.58.1861.

Schmidt J. et al. // NPJ Comput. Mater. - 2019. - V. 5. - No. 1. - P. 83. - DOI: 10.1038/s41524-019-0221-0.

Cheng J., Zhang C., Dong L. // Commun. Mater. - 2021. - V. 2. - No. 1. - P. 92. - DOI: 10.1038/s43246-021-00194-3.

Wei L. et al. // J. Appl. Phys. - 2013. - V. 114. - No. 23. - DOI: 10.1063/1.4847935.

Continenza A. et al. // Phys. Rev. B. - 1992. - V. 46. - No. 16. - P. 10070. - DOI: 10.1103/PhysRevB.46.10070.

Yu Y. et al. // Chalcogenide Lett. - 2019. - V. 16. - No. 11. - P. 513-522.

Xie T. et al. // arXiv preprint arXiv:2110.06197. - 2021. - DOI: 10.48550/arXiv.2110.06197.

Das K. et al. // Proceedings of the AAAI Conference on Artificial Intelligence. - 2023. - V. 37. - No. 6. - P. 7323-7331. - DOI: 10.1609/aaai.v37i6.25892.

Bagheri M., Komsa H.P. // Sci. Data. - 2023. - V. 10. - No. 1. - P. 80. - DOI: 10.1038/s41597-023-01988-5.

Zhang S.L. Raman Spectroscopy and its Application in Nanostructures. - John Wiley & Sons, 2012.

Gilmer J. et al. // Proceedings of the 34th International Conference on Machine Learning, Sydney, Australia, PMLR 70, 2017. - P. 1263-1272.

Elfwing S., Uchibe E., Doya K. // Neural Networks. - 2018. - V. 107. - P. 3-11. - DOI: 10.1016/j.neunet.2017.12.012.