Эволюционное мультипопуляционное моделирование атомной кристаллической структуры новых веществ и материалов из рентгенодифракционных данных

Бураков С.В.; Залога А.Н.; Дубинин П.С.; Пиксина О.Е.; Якимов И.С.

Программные средства и информационные технологии

support vector machine // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2008. Vol. XXXVII. Part B7. P. 397-402.

4. Lanzi PL. Fast feature selection with genetic algorithms: a filter approach // IEEE International Conference on Evolutionary Computation. 1997. P. 537-540.

5. Hamdani T. M., Won J., Alimi A. M., Karray F. Multi-objective feature selection with NSGA II // Adaptive and Natural Computing Algorithms Lecture Notes in Computer Science. 2007. Vol. 4431. P. 240-247.

6. Sidorov M., Brester C., Semenkin E., Minker W. Speaker State Recognition with Neural Network-based Classification and Self-adaptive Heuristic Feature Selection // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINC0'2014). 2014 . Vol. 1. P. 699-703.

7. Venkatadri M., Srinivasa Rao K. A multiobjective genetic algorithm for feature selection in data mining // International Journal of Computer Science and Information Technologies. 2010. Vol. 1, no. 5. P. 443-448.

8. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms Meta-Heuristic in ANN-Based Classifiers Design // Proceedings of the World Congress on Computational Intelligence (WCCI'14). 2014.

9. Семенкин Е. С., Шабалов А. А., Ефимов С. Н. Автоматизированное проектирование коллективов интеллектуальных информационных технологий методом генетического программирования // Вестник СибГАУ. 2011. № 3 С. 77-81.

References

1. Sidorov M., Brester C., Minker W., Semenkin E. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm // Proceedings of the 9th edition of the Language Resources and Evaluation Conference, Reykjavik, Iceland, 2014.

2. Yang J. and Hanovar V. Feature subset selection using a genetic algorithm. Journal of IEEE Intelligent Systems, vol. 13, 1998, p. 44-49.

3. Zhuo L., Zheng J., Wang F., Li X., Ai B., Qian J. A genetic algorithm based wrapper feature selection method for classification of hyperspectral images using support vector machine. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XXXVII, part B7, 2008, p. 397-402.

4. Lanzi PL. Fast feature selection with genetic algorithms: a filter approach. IEEE International Conference on Evolutionary Computation, 1997, p. 537-540.

5. Hamdani T. M., Won J., Alimi A. M., Karray F. Multi - objective feature selection with NSGA II. In Adaptive and Natural Computing Algorithms Lecture Notes in Computer Science, vol. 4431, 2007, p. 240-247.

6. Sidorov M., Brester C., Semenkin E., Minker W. Speaker State Recognition with Neural Network-based Classification and Self-adaptive Heuristic Feature Selection // Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics (ICINC0'2014). 2014, vol. 1, p. 699-703.

7. Venkatadri M., Srinivasa Rao K. A multiobjective genetic algorithm for feature selection in data mining. International Journal of Computer Science and Information Technologies, vol. 1, no. 5, 2010, p. 443-448.

8. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms Meta-Heuristic in ANN-Based Classifiers Design // Proceedings of the World Congress on Computational Intelligence (WCCI'14). -2014.

9. Semenkin E.S., Shabalov A.A., Efimov S.N. Automated design of intelligent information technology collectives by means of genetic programming technique //

VestnikSibGAU. 2011, № 3, p. 77-81.

УДК 539.26:519.65:519.68

ЭВОЛЮЦИОННОЕ МУЛЬТИПОПУЛЯЦИОННОЕ МОДЕЛИРОВАНИЕ АТОМНОЙ КРИСТАЛЛИЧЕСКОЙ СТРУКТУРЫ НОВЫХ ВЕЩЕСТВ И МАТЕРИАЛОВ ИЗ РЕНТГЕНОДИФРАКЦИОННЫХ ДАННЫХ

С. В. Бураков1, А. Н. Залога2, П. С. Дубинин2, О. Е. Пиксина2, И. С. Якимов2

1 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

2Сибирский федеральный университет Российская Федерация, 660025, г. Красноярск, просп. им. газ. «Красноярский рабочий», 95

E-mail: i-s-yakimov@yandex.ru

Разработан и апробирован эволюционный мультипопуляционный генетический алгоритм для моделирования атомной кристаллической структуры вещества из данных рентгеновской порошковой дифракции, интегрированный с методом полнопрофильного анализа рентгенограмм, для использования на многоядерных ПК и вычислительных кластерах.

Ключевые слова: кристаллическая структура, порошковая дифракция, генетические алгоритмы, полнопрофильный анализ, метод Ритвельда.

Решетневскуе чтения. 2014

EVOLUTIONARY MULTIPOPULATION MODELING OF ATOMIC CRYSTAL STRUCTURE OF NEW SUBSTANCES AND MATERIALS FROM X-RAY DIFFRACTION DATA

S. V. Burakov1, N. A. Zaloga2, P. S. Dubinin2, O. E. Piksina2, I. S. Yakimov2

Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation

2Siberian Federal University 95, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660025, Russian Federation E-male: i-s-yakimov@yandex.ru

An evolutionary multi-population full profile analysis-integrated genetic algorithm for a crystal structure solution from the X-ray powder diffraction data is developed and tested. The algorithm is suitable for the using on multi-core PCs and computer clusters.

Keywords: Crystal structure, X-ray powder diffraction, genetic algorithm, Full-profile analysis, Rietveld method.

Информация об атомно-кристаллическом строении необходима для объяснения и прогнозирования физических и химических свойств веществ и материалов. Данная информация накапливается в базах кристаллоструктурных данных и включает координаты и параметры тепловых колебаний атомов в кристаллической ячейке вещества. Перспективным направлением для моделирования атомной кристаллической структуры порошковых веществ из рентгено-дифракционных данных является использование стохастических методов глобальной оптимизации, в частности, имитации отжига и эволюционных генетических алгоритмов (ГА) [1; 2]. На базе разработанного ранее гибридного эволюционного метода [3; 4] предложен мультипопуляционный генетический алгоритм (МПГА) для моделирования атомной кристаллической структуры из данных рентгеновской порошковой дифракции, интегрированный с методом полнопрофильного анализа рентгенограмм (ППА). Индивидуальные ГА выполняются на разных узлах вычислительного кластера, лучшие структурные модели из всех узлов подвергаются локальной оптимизации с помощью ППА и накапливаются на управляющем узле. Он управляет их выборочной миграцией обратно на вычислительные узлы в те популяции, где замедляется скорость эволюции. Сходимость МПГА обсуждается на тестовых структурах различных веществ. Показано, что МПГА позволяет моделировать намного более сложные структуры, чем простой ГА, например, надежность МПГА при моделировании сложной структуры Er10W2O21 составила 50 %.

Библиографические ссылки

1. Radovan Cerny and Vincent Favre-Nicolin. Direct space methods of structure determination from powder

diffraction: principles, guidelines, perspectives // Z. Kristallogr. 2007. № 222. Р. 105-113.

2. Kenneth D. M. Harris. Fundamentals and applications of genetic algorithms for structure solution from powder X-ray diffraction data // Computational Materials Science. 2009. Vol. 45, Iss. 1. P. 16-20.

3. Yakimov Y. I., Semenkin E. S., Yakimov I. S. Two-level genetic algorithm for a fullprofile fitting of X-ray powder patterns // Z. Kristallogr. Suppl. 2009. № 30. Р. 21-26.

4. Yakimov Y. I. [et al.] The evolutionary method of modelling a crystal structure by powder diffraction data // Journal of Siberian Federal University (Chemistry). 2013. Vol. 6, № 2. P. 180-191.

References

1. Radovan Cerny and Vincent Favre-Nicolin. Direct space methods of structure determination from powder diffraction: principles, guidelines, perspectives // Z. Kristallogr. 222 (2007) 105-113.

2. Kenneth D. M. Harris. Fundamentals and applications of genetic algorithms for structure solution from powder X-ray diffraction data // Computational Materials Science. V. 45, Issue 1, 2009, P. 16-20.

3. Yakimov Y. I., Semenkin E. S., Yakimov I. S. Two-level genetic algorithm for a fullprofile fitting of X-ray powder patterns. // Z. Kristallogr. Suppl. 30 (2009) 21-26.

4. Yakimov Y. I. [et al.] The evolutionary method of modelling a crystal structure by powder diffraction data // Journal of Siberian Federal University (Chemistry). 2013. Vol. 6, № 2. P. 180-191.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Бураков С. В., Залога А. Н., Дубинин П. С., Пиксина О. Е., Якимов И. С.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Бураков С. В., Залога А. Н., Дубинин П. С., Пиксина О. Е., Якимов И. С.

Evolutionary multipopulation modeling of atomic crystal structure of new substances and materials from X-ray diffraction data