Штучний інтелект у матеріалознавчих дослідженнях: тенденції, інструменти та трансформації
DOI:
https://doi.org/10.32515/2664-262X.2025.12(43).2.134-142Ключові слова:
матеріалознавство, методи штучного інтелекту, цифрові платформи, Materials Project, NOMAD, Citrine Informatics, цифрові екосистемиАнотація
У цій роботі ми досліджуємо, як штучний інтелект змінює підходи до сучасного матеріалознавства. Зокрема, порівнюємо функціональні можливості трьох провідних цифрових платформ – Materials Project, NOMAD, Citrine Informatics. Нас цікавило, як ці ресурси реалізують моделювання властивостей матеріалів, автоматизований скринінг і оптимізацію складу. Ми також звернули увагу на принципи FAIR-даних і відкритої науки, які дедалі більше впливають на прозорість, відтворюваність і глобальну інтеграцію наукових результатів. Окремий акцент зроблено на цифрових екосистемах, особливості взаємодії в них та нових викликах, що пов’язані з екологічними та економічними чинниками. На прикладі згаданих платформ ми показуємо, як алгоритми машинного навчання допомагають долати ці бар’єри та відкривають нові можливості для цифрової трансформації галузі матеріалознавства.
Посилання
Список літератури
1. Butler K. T., Davies D. W., Cartwright H., Isayev O., Walsh A. Machine learning for molecular and materials science. Nature. 2018. Vol. 559, № 7715. P. 547–555. DOI: 10.1038/s41586-018-0337-2.
2. Ward L., Liu R., Krishna A., Hegde V. I., Agrawal A., Choudhary A., Wolverton C. Including crystal structure attributes in machine learning models of formation energies via Voronoi tessellations. Physical Review B. 2017. Vol. 96, № 2. Article 024104. DOI: 10.1103/PhysRevB.96.024104.
3. Schmidt J., Marques M. R. G., Botti S., Marques M. A. L. Recent advances and applications of machine learning in solid-state materials science. npj Computational Materials. 2019. Vol. 5, № 1. Article 83. DOI: 10.1038/s41524-019-0221-0.
4. Draxl C., Scheffler M. NOMAD: The FAIR concept for big data-driven materials science. MRS Bulletin. 2019. Vol. 44, № 7. P. 570–576. DOI: 10.48550/arXiv.1805.05039.
5. Agrawal A., Choudhary A. Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science. APL Materials. 2016. Vol. 4, № 5. Article 053208. DOI: 10.1063/1.4946894.
6. Citrine Informatics. AI-powered materials development platform: веб-сайт. URL: https://citrine.io/ (дата звернення: 12.10.2025)
7. Nematov D., Hojamberdiev M. Machine learning-driven materials discovery: Unlocking next-generation functional materials – A review. Comput. Condens. Matter. 2025. Vol. 45. Article e01139. DOI: 10.1016/j.cocom.2025.e01139.
8. Aulin V. V., Kovalov S. H., Hrynkiv A. V., Kovalov Yu. G., Holovaty A. O., Kuzik O. V., Slon V. V. Enhancing Tribological System Performance through Intelligent Data Analysis and Predictive Modeling: A Review. Problems of Tribology. 2025. Vol. 30, № 3(117). P. 49–61. DOI: 10.31891/2079-1372-2025-117-3-49-61.
9. Аулін В. В., Гриньків А. В., Головатий А. О. Кіберфізичний підхід при створенні, функціонуванні та удосконаленні транспортновиробничих систем. Центральноукраїнський науковий вісник. Технічні науки. 2020. № 3(34). С. 331–343. DOI: 10.32515/2664-262X.2020.3(34).331-343.
10. Aulin V., Hrynkiv A., Lysenko S., Rohovskii I., Chernovol M., Lyashuk O., Zamota T. Studying Truck Transmission Oils Using the Method of Thermal-Oxidative Stability During Vehicle Operation. Eastern- European Journal of Enterprise Technologies. 2019. Vol. 1, № 6. P. 6–12. DOI: 10.15587/1729- 4061.2019.156150.
11. Xie T., Grossman J. C. Crystal Graph Convolutional Neural Networks for an accurate and interpretable prediction of material properties. Physical Review Letters. 2018. Vol. 120, № 14. Article 145301. DOI: 10.1103/PhysRevLett.120.145301.
12. Talapatra A., Boluki S., Duong T., Qian X., Dougherty E., Arroyave R. Autonomous efficient experiment design for materials discovery with Bayesian model averaging. Phys. Rev. Materials. 2018. Vol. 2. Article 113803. DOI: 10.1103/PhysRevMaterials.2.113803.
13. Ren F., Ward L., Williams T., Laws K. J., Wolverton C., Hattrick-Simpers J., Mehta A. Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments. Science Advances. 2018. Vol. 4, № 4. Article eaaq1566. DOI: 10.1126/sciadv.aaq1566.
14. Chen C., Ye W., Zuo Y., Zheng C., Ong S. P. Graph networks as a universal machine learning framework for molecules and crystals. Nature Communications. 2020. Vol. 10, № 1. Article 357. DOI: 10.1038/s41467- 020-19964-7.
15. Tshitoyan V., Dagdelen J., Weston L., Dunn A., Rong Z., Kononova O., Persson K. A., Ceder G., Jain A. Unsupervised word embeddings capture latent knowledge from materials science literature. Nature. 2019. Vol. 571, № 7763. P. 95–98. DOI: 10.1038/s41586-019-1335-8.
16. Kalidindi S. R. Materials data science: Current status and future outlook. Annual Review of Materials Research. 2015. Vol. 45. P. 171–193. DOI: 10.1146/annurev-matsci-070214-020844.
References
1. Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., & Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559(7715), 547–555. doi.org/10.1038/s41586-018-0337-2.
2. Ward, L., Liu, R., Krishna, A., Hegde, V. I., Agrawal, A., Choudhary, A., & Wolverton, C. (2017). Including crystal structure attributes in machine learning models of formation energies via Voronoi tessellations. Physical Review B, 96(2), 024104. https://doi.org/10.1103/PhysRevB.96.024104.
3. Schmidt, J., Marques, M. R. G., Botti, S., & Marques, M. A. L. (2019). Recent advances and applications of machine learning in solid-state materials science. npj Computational Materials, 5(1), 83. https://doi.org/10.1038/s41524-019-0221-0.
4. Draxl, C., & Scheffler, M. (2019). NOMAD: The FAIR concept for big data-driven materials science. MRS Bulletin, 44(7), 570–576. https://doi.org/10.48550/arXiv.1805.05039.
5. Agrawal, A., & Choudhary, A. (2016). Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science. APL Materials, 4(5), 053208. doi.org/10.1063/1.4946894.
6. Citrine Informatics. (2025). AI-powered materials development platform. Retrieved from https://citrine.io/.
7. Nematov, D. & Hojamberdiev, M. (2025). Machine learning-driven materials discovery: Unlocking next- generation functional materials – A review. Comput. Condens. Matter, 45, e01139. doi.org/10.1016/j.cocom.2025.e01139.
8. Aulin, V. V., Kovalov, S. H., Hrynkiv, A. V., Kovalov, Yu. G., Holovaty, A. O., Kuzik, O. V., & Slon, V. V. (2025) Enhancing Tribological System Performance through Intelligent Data Analysis and Predictive Modeling: A Review. Problems of Tribology, 30(3/117), 49–61. https://doi.org/10.31891/2079-1372-2025-117-3-49-61.
9. Aulin, V. V., Hryn’kiv, A. V., & Holovaty, A. O. (2020). Kiberfizychnyy pidkhid do stvorennya, funktsionuvannya ta vdoskonalennya transportnykh ta vyrobnychykh system [Cyber-physical approach to the creation, functioning and improvement of transport-production systems]. Tsentralnoukrainskyi naukovyi visnyk. Tekhnichni nauky, (3)34, 331–343. doi.org/10.32515/2664-262X.2020.3(34).331-343 [in Ukrainian].
10. Aulin, V., Hrynkiv, A., Lysenko, S., Rohovskii, I., Chernovol, M., Lyashuk, O., & Zamota, T. (2019). Studying Truck Transmission Oils Using the Method of Thermal-Oxidative Stability During Vehicle Operation. Eastern-European Journal of Enterprise Technologies, 1(6), 6–12. doi.org/10.15587/1729-4061.2019.156150.
11. Xie, T., & Grossman, J. C. (2018). Crystal Graph Convolutional Neural Networks for an accurate and interpretable prediction of material properties. Physical Review Letters, 120(14), 145301. https://doi.org/10.1103/PhysRevLett.120.145301.
12. Talapatra, A., Boluki, S., Duong, T., Qian, X., Dougherty, E., & Arroyave, R. (2018). Autonomous efficient experiment design for materials discovery with Bayesian model averaging. Phys. Rev. Materials 2, 113803. https://doi.org/10.1103/PhysRevMaterials.2.113803.
13. Ren, F., Ward, L., Williams, T., Laws, K. J., Wolverton, C., Hattrick-Simpers, J., & Mehta, A. (2018). Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments. Science Advances, 4(4), eaaq1566. https://doi.org/10.1126/sciadv.aaq1566.
14. Chen, C., Ye, W., Zuo, Y., Zheng, C., & Ong, S. P. (2020). Graph networks as a universal machine learning framework for molecules and crystals. Nature Communications, 10(1), 357. doi.org/10.1038/s41467-020-19964-7.
15. Tshitoyan, V., Dagdelen, J., Weston, L., Dunn, A., Rong, Z., Kononova, O., Persson, K. A., Ceder, G., & Jain, A. (2019). Unsupervised word embeddings capture latent knowledge from materials science literature. Nature, 571(7763), 95–98. https://doi.org/10.1038/s41586-019-1335-8.
16. Kalidindi, S. R. (2015). Materials data science: Current status and future outlook. Annual Review of Materials Research, 45, 171–193. https://doi.org/10.1146/annurev-matsci-070214-020844.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Ю. Г. Ковальов, В. В. Аулін, С. Г. Ковальов, О. В. Кузик, А. В. Гриньків
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
