Онлайн-курс «Дизайн материалов и термоэлектрические материалы», записи и домашние задания которого выложены на этой странице, проводился с 3 октября по 8 ноября 2022 года.

Курс уникален, в нем рассмотрены основы новой области науки – компьютерного дизайна новых материалов, и его приложения к термоэлектрическим материалам (материалам, способным преобразовывать тепловую энергию в электрическую). Часть лекций и практических занятий на английском языке. Лекторы – известные ученые из Сколтеха и МИСИС (Оганов, Левченко, Табачкова и их ученики).

Лекция 1. Симметрия кристаллов. (Артём Оганов)

Домашнее задание к лекции 1 (нажмите, чтобы развернуть)

• Посмотреть 15-минутную видеолекцию Становление кристаллографии как науки;
• Посмотреть 15-минутную видеолекцию Лайнус Полинг и кристаллография;
• Посмотреть 15-минутную видеолекцию Золотая лихорадка и четырехмерная кристаллография;
• Решить две задачи:
  • Дана координатная система a = b = c = 1, α = β = γ = 90°. К какой сингонии относится эта координатная система? Постройте плоскости с миллеровскими индексами (100), (001), (110), (111), (112).
  • Дана координатная система a = b = 1, c = 2, α = β = γ = 90°. К какой сингонии относится эта координатная система? Постройте плоскости с миллеровскими индексами (100), (001), (110), (111), (112).
• Чтение:
  • методичка ”Mineralogical Crystallography”

Лекция 2. Химическая связь и свойства атомов. (Артём Оганов)

Домашнее задание к лекции 2 (нажмите, чтобы развернуть)

• Посмотреть 15-минутную видеолекцию Лайнус Полинг и кристаллография;
• Посмотреть 15-минутную видеолекцию Квантовая механика и химическая связь;
• По менделеевским числам имеем ряд элементов: Al-Be-Si-P-B-C-N-O:
  1. Постройте график температуры плавления чистых элементов в этом ряду.
  2. Постройте график температуры кипения чистых элементов в этом ряду.
  3. Рассмотрите бинарные соединения A-B (где А и B – элементы этого ряда). Взяв все возможные бинарные соединения (AlP, AlB2, AlN, Al2O3, Be2C, BeO, SiB3, SiC, Si3N4, SiO2, P2O5,...) постройте 2D-карту какого-либо свойства (например, температуры плавления), основываясь на экспериментальных данных.
• Чтение:
  • методичка ”Mineralogical Crystallography”
  • статья Thermochemical electronegativities of the elements
  • статья Electronegativity and chemical hardness of elements under pressure
  • статья Nonempirical Definition of the Mendeleev Numbers: Organizing the Chemical Space

Лекция 3. Описание свойств кристаллов. (Артём Оганов)

Домашнее задание к лекции 3 (нажмите, чтобы развернуть)

• Посмотреть 15-минутную видеолекцию Кристаллография и секрет древнего фарфора;

Лекция 4. Связь состав-структура-свойства. Примеры кристаллических структур. (Артём Оганов)

Домашнее задание к лекции 4 (нажмите, чтобы развернуть)

• Чтение:
  • методичка ”Mineralogical Crystallography”

Лекция 5. Квантово-механическое моделирование материалов. (Артём Оганов)

Практикум по расчетам энергий и свойств кристаллов. (Артём Оганов)

Домашнее задание к лекции 5 и практикуму (нажмите, чтобы развернуть)

• Освоить базовые команды в системе Linux (просмотр, редактирование, копирование, удаление файлов и директорий).
• Рассчитать с помощью машинного обучения (для расчетов машинным обучением вам понадобятся структуры в формате CIF. Их можно найти в интернете, например, в базе данных Materials Project) модуль сжатия, модуль сдвига, модуль Юнга, твердость всех бинарных соединений из элементов Al-Be-Si-P-B-C-N-O. Постройте 2D-карты этих свойств. Сравните с экспериментальными данными для Si, а после практического занятия – с модулем сжатия из программы VASP (При помощи программы VASP модуль сжатия рассчитывается по 2 точкам: К = -(P1-P0)/[(V1-V0)/V0]. То есть нужно рассчитать относительное изменение объема при изменении давления).
• Рассчитайте модули сжатия и сдвига для SrTiO3. Сравните с экспериментом. После практических занятий – сравните с результатом программы GULP. Для этого нужно рассчитать объем при двух близких температурах Т1 и Т2 α = [(V1-V0)/V0]/(T1-T0).
• Si c использованием программы VASP: сравните энергии двух структур – алмазоподобной и какой-то другой – например, кубической плотноупакованной. Какая структура более стабильна? Сравнивать нужно энергии в пересчете на один атом.
• Чтение:
  • стр. 125-151 в обзоре ”Ab initio theory of phase transitions and thermoelasticity of minerals”
  • cтатья ”AICON2: A program for calculating transport properties quickly and accurately”
  • cтатья ”Discovery of high performance thermoelectric chalcogenides through first-principles highthroughput screening”

Лекция 6. Машинное обучение. (Ефим Мажник)

Домашнее задание к лекции 6 (нажмите, чтобы развернуть)

• Дополнительные видеолекции:
  • Deep learning on graphs: successes, challenges;
  • Graph Neural Networks (GNN) using Pytorch Geometric;
• Чтение:
  • обзор On representing chemical environments
  • обзор Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties

Вопросы и ответы по машинному обучению. (Ефим Мажник)

Практикум по применению машинного обучения. (Ефим Мажник)

Чтение/практика (Google Colab)

Лекция 7. Предсказание кристаллических структур. (Артём Оганов)

Домашнее задание к лекции 7 (нажмите, чтобы развернуть)

• Посмотреть видеолекции:
  • Методы предсказания кристаллических структур
  • Дизайн сверхпроводников, магнитов, взрывчатых веществ
  • Компьютерный дизайн новых материалов
  • Дизайн сверхтвердых материалов
  • Материалы из мира низкой размерности
• Чтение:
  • обзор Structure prediction drives materials discovery
  • обзор How Evolutionary Crystal Structure Prediction Works - and Why

Вопросы и ответы по предсказанию кристаллических структур. (Артём Оганов)

Практические задачи с помощью программы USPEX. (Артём Оганов)

Домашнее задание к практическому занятию (нажмите, чтобы развернуть)

• Сделайте один из расчетов: либо по кристаллу MgAl2O4 (EX02), либо по Леннард-Джонсовской наночастице (EX08), либо расчет с переменным составом для системы «Mo-B». Посмотрите на структуры с помощью программы VESTA – она, кстати, умеет смотреть файлы программы USPEX c множеством структур.
• Проведите поиск самых твердых и самых стабильных фаз в системе «Mo-B», используя оптимизацию по Парето.

Лекция 8. Thermoelectric figure of merit. (Виктория Панченко)

Домашнее задание к лекции 8 (нажмите, чтобы развернуть)

• Чтение:
  • Goldsmid, H. Julian. Introduction to thermoelectricity. Vol. 121. Berlin: Springer, 2010.
  • Rowe, David Michael. Thermoelectrics handbook: macro to nano. CRC press, 2018.

Лекция 9. Transport theory. (Tao Fan)

Домашнее задание к лекции 9 (нажмите, чтобы развернуть)

• Факультативное задание: Скачайте и установите программы AICON, BoltzTrap2 и ShengBTE, выполните примеры расчетов, ознакомьтесь с процессом расчета транспортных свойств.
• Чтение:
  • Ziman, John M. Electrons and phonons: the theory of transport phenomena in solids. Oxford university press, 2001.

Лекция 10. Введение в программу AICON. (Tao Fan)

Домашнее задание к лекции 10 (нажмите, чтобы развернуть)

• Чтение:
  • Tao Fan, Artem R. Oganov. "AICON: A program for calculating thermal conductivity quickly and accurately." Computer Physics Communications 251 (2020): 107074.
  • Tao Fan, Artem R. Oganov. "AICON2: A program for calculating transport properties quickly and accurately." Computer Physics Communications 266 (2021): 108027.
  • Tao Fan, Artem R. Oganov. "Discovery of high performance thermoelectric chalcogenides through first-principles high-throughput screening." Journal of Materials Chemistry C 9.38 (2021): 13226–13235.

Лекция 11. Мастер-класс по программам AICON и BoltzTrap2. (Tao Fan)

Домашнее задание к лекции 11 (нажмите, чтобы развернуть)

• Чтение:
  • статья BoltzTraP. A code for calculating band-structure dependent quantities
  • статья BoltzTraP2, a program for interpolating band structures and calculating semi-classical transport coefficients

Лекция 12. Поиск новых термоэлектрических материалов: введение в хемоинформатику. (Сергей Левченко)

Домашнее задание к лекции 12 (нажмите, чтобы развернуть)

• Чтение:
  • L. M. Ghiringhelli, J. Vybiral, S. V. Levchenko, C. Draxl, and M. Scheffler, “Big data of materials science: Critical role of the descriptor”, Phys. Rev. Lett. 114, 105503 (2015)
  • L. M. Ghiringhelli, J. Vybiral, E. Ahmetcik, R. Ouyang, S. V. Levchenko, C. Draxl, and M. Scheffler, “Learning physical descriptors for materials science by compressed sensing”, New J. Phys. 19, 023017 (2017)
  • Ouyang, R., Curtarolo, S., Ahmetcik, E., Scheffler, M. & Ghiringhelli, L. M. “SISSO: a compressed-sensing method for identifying the best low-dimensional descriptor in an immensity of offered candidates”, Phys. Rev. Mater. 2, 083802 (2018)
  • M. Andersen, S. V. Levchenko, M. Scheffler, K. Reuter, “Beyond Scaling Relations for the Description of Catalytic Materials”, ACS Catalysis 9, 2752 (2019)
  • Z.K. Han, D. Sarker, R. Ouyang, A. Mazheika, Y. Gao, and S.V. Levchenko, “Single-atom alloy catalysts designed by first-principles calculations and artificial intelligence”, Nature communications 12, 1833 (2021)

Лекция 13. Поиск новых термоэлектрических материалов: Методы поиска дескрипторов. Метод обнаружения особых подгрупп данных. (Сергей Левченко)

Домашнее задание к лекции 13 (нажмите, чтобы развернуть)

• Чтение:
  • Wrobel, S. “European Symposium on Principles of Data Mining and Knowledge Discovery” 78–87 (Springer, 1997)
  • Friedman, J. H. & Fisher, N. I. “Bump hunting in high-dimensional data”, Stat. Comput. 9, 123–143 (1999)
  • Atzmueller, M. “Subgroup discovery”, Wiley Interdiscip. Rev. 5, 35–49 (2015)
  • Boley, M., Goldsmith, B. R., Ghiringhelli, L. M. & Vreeken, J. “Identifying consistent statements about numerical data with dispersion-corrected subgroup discovery”, Data Min. Knowl. Discov. 31, 1391–1418 (2017)
  • Goldsmith, B. R., Boley, M., Vreeken, J., Scheffler, M. & Ghiringhelli, L. M. “Uncovering structure-property relationships of materials by subgroup discovery”, N. J. Phys. 19, 013031 (2017)
  • Z.K. Han, D. Sarker, R. Ouyang, A. Mazheika, Y. Gao, and S.V. Levchenko, “Single-atom alloy catalysts designed by first-principles calculations and artificial intelligence”, Nature communications 12, 1833 (2021)
  • A. Mazheika, Y.-G. Wang, R. Valero, F. Viñes, F. Illas, L. M. Ghiringhelli, S. V. Levchenko, and M. Scheffler, “Artificial-intelligence-driven discovery of catalyst genes with application to CO2 activation on semiconductor oxides”, Nature Communications 13, 419 (2022)

Лекция 14. Примеры предсказанных термоэлектрических материалов. Дескрипторы и физика. (Сергей Левченко)

Домашнее задание к лекции 14 (нажмите, чтобы развернуть)

• Чтение:
  • Yaqiong Zhong, Xiaojuan Hu, Debalaya Sarker, Qingrui Xia, Liangliang Xu, Chao Yang, Zhong-Kang Han, Sergey V. Levchenko, Jiaolin Cui, “Data analytics accelerates the experimental discovery of new thermoelectric materials with extremely high figure of merit”, arXiv:2104.08033