- Информация о лаборатории
- Mиссия и стратегические цели: Лаборатория была создана с целью разработки и совершенствования прототипов передовых материалов, направленных на решение актуальных проблем, связанных с изменением климата, энергетическим кризисом и состоянием окружающей среды. Данный процесс осуществляется на основе комплексной интеграции in silico моделирования и методов искусственного интеллекта.
Основная миссия лаборатории заключается в внесении значительного вклада в развитие мировой науки посредством проектирования материалов нового поколения для «зелёной» и возобновляемой энергетики, а также для современных высокотехнологичных отраслей на основе инновационных подходов.
В рамках стратегических целей особое внимание уделяется выявлению перспективных материалов с высокой эффективностью, экономической целесообразностью и значительным потенциалом практического применения, а также углубленному изучению их свойств.
- Методология: Лаборатория накопила значительный опыт использования классической и реактивной молекулярной динамики (MD) для изучения свойств материалов. В настоящее время данные подходы расширяются за счет интеграции квантово-механических расчетов на основе теории функционала плотности (DFT), а также инструментов искусственного интеллекта, включая методы машинного обучения (ML) и глубокого обучения (DL).
- Научные направления
- Компьютерное проектирование и моделирование наноматериалов
- Материалы для «зеленой» энергетики и систем накопления энергии
- Многомасштабное моделирование сложных и неупорядоченных структур
- Применение методов искусственного интеллекта в материаловедении
- Инфраструктура и ресурсы
Лаборатория оснащена высокопроизводительным вычислительным (HPC) кластером, состоящим из 79 вычислительных узлов, предназначенных для проведения вычислительных экспериментов. HPC-кластер был создан в рамках фундаментального проекта F-FA-2021-512, финансируемого Агентством инновационного развития на период 2021-2026 годов. Кластер включает управляющий (master) узел и вычислительные узлы, объединенные выделенной внутренней сетью 1 GbE.
Общая вычислительная мощность:
- 1264 CPU-ядра (Intel x86-64, по 8-16 ядер на узел с поддержкой hyper-threading)
- Около 2528 ГБ оперативной памяти (32-64 ГБ DDR4 на узел)
- 14 NVIDIA GPU (GTX 1050 Ti, CUDA Compute Capability 6.1, sm_61) для программных пакетов с поддержкой GPU
Управление ресурсами — SLURM. Кластер управляется с использованием отраслевого стандарта SLURM Workload Manager. Пользователи отправляют задания в очередь, после чего система автоматически распределяет вычислительные ресурсы:
- Несколько пользователей могут работать параллельно
Ресурсы CPU, GPU и памяти распределяются эффективно
Веб-портал — Open OnDemand
К кластеру также можно подключаться удаленно через браузер по адресу (https://hpc.istiqbol-luck.uz), что позволяет:
- Загружать и скачивать файлы
- Отправлять задания в очередь и отслеживать их выполнение
- Работать с shell-терминалом непосредственно в браузере
- Запускать интерактивные приложения, такие как Jupyter и RStudio
Мониторинг. Нагрузку и активность кластера в режиме реального времени отслеживаются по адресу https://hpc.istiqbol-luck.uz/monitoring с использованием системы Grafana. В интерфейсе доступны данные о CPU, оперативной памяти (RAM), сети, GPU , а также состоянии очередей SLURM.
На всех узлах кластера предварительно установлены и доступны следующие современные вычислительные пакеты:
Квантово-механические (DFT/ab initio) пакеты
- Quantum ESPRESSO 7.3 — plane-wave DFT, молекулярная динамика (MD), фононы (pw.x, ph.x и др.)
- CASTEP 23.1 — DFT, NMR, спектроскопические расчёты (MPI parallel)
- DFTB+ 25.1 — приближенный DFT для ускорённых расчетов больших систем
- ORCA 6.1.1 — квантовая химия (DFT, post-HF, TDDFT, CASSCF)
Молекулярная динамика (MD)
- LAMMPS — классическая MD, реактивная ReaxFF MD, GPU+CPU (Kokkos backend, CUDA sm_61)
- GROMACS 2024.4 — биомолекулярная MD, GPU-ускорение, MPI+OpenMP
- GPUMD 5.3 — MD на GPU с поддержкой машинно-обучаемых потенциалов NEP (Neuroevolution Potential)
Расширенное сэмплирование / метадинамика
- PLUMED 2.9.3 — метадинамика, расчеты свободной энергии, интеграция с GPUMD
Экосистема Python / ML
- Python 3.x, NumPy, SciPy, Matplotlib
- Библиотеки машинного обучения: PyTorch, TensorFlow, scikit-learn (в пользовательской среде)
- Библиотеки для материаловедения: ASE (Atomic Simulation Environment), Pymatgen
- Jupyter Notebook/ JupyterLab (через веб-портал)
Компиляторы и библиотеки
- GCC, gfortran, OpenMPI, FFTW, BLAS/LAPACK, OpenBLAS, ScaLAPACK
- CUDA 12.6, cuDNN для GPU-программирования
- Проекты и публикации
- Текущий проект: Селективный синтез углеродных наноструктур для перспективных наноустройств (фундаментальный проект, F-FA-2021-512, 2021-2026).
- Избранные публикации
- Khalilov, A. Bogaerts, E. C. Neyts, Atomic scale simulation of carbon nanotube nucleation from hydrocarbon precursors. Nat. Commun. 6, 10306 (2015). https://doi.org/10.1038/ncomms10306
- Khalilov, G. Pourtois, A. C. T. van Duin, E. C. Neyts, Toward the Understanding of Selective Si Nano-Oxidation by Atomic Scale Simulations. Accounts of Chemical Research 50, 796–804 (2017). https://doi.org/10.1021/acs.accounts.6b00564
- Khalilov, E. C. Neyts, Mechanisms of selective nanocarbon synthesis inside carbon nanotubes. Carbon 171, 72–78 (2021). https://doi.org/10.1016/j.carbon.2020.08.060
- Uljayev, F. Turaev, A. Ulukmuradov, K. Mekhmonov, U. Khalilov, Can endohedral transition metals enhance hydrogen storage in carbon nanotubes? International Journal of Hydrogen Energy 55, 604–610 (2024). https://doi.org/10.1016/j.ijhydene.2023.11.195
- Khalilov, A. Bogaerts, B. Xu, T. Kato, T. Kaneko, E. C. Neyts, How the alignment of adsorbed ortho H pairs determines the onset of selective carbon nanotube etching. Nanoscale 9, 1653–1661 (2017). https://doi.org/10.1039/C6NR08005G
- Сотрудничество
- Международные партнеры
- Антверпенский университет – PLASMANT & MOSAIC (Бельгия)
- Орлеанский университет – GREMI (Франция)
- Тяньцзиньский технологический университет (Dalian University of Technology) – Совместная лаборатория передовой плазменной науки (Китай)
- Харбинский технологический институт (Китай)
- Тегеранский университет (Иран)
- Стамбульский технический университет (Турция)
- Международный центр теоретической физики имени Абдуса Салама (ICTP) (Италия)
- Казахстанско-Британский технический университет (Казахстан)
- Институт проблем сверхпластичности металлов (Россия)
- Еврейский университет в Иерусалиме (Израиль)
- Катарский научно-исследовательский институт окружающей среды и энергетики, Университет Хамад бин Халифа (Катар)
- Институт общей и неорганической химии (Академия наук Узбекистана)
- Институт материаловедения (Академия наук Узбекистана)
- Национальный университет Узбекистана
- Национальный исследовательский университет TIIAME
- Ташкентский государственный технический университет
- Самаркандский государственный университет
- Научная лаборатория при Деновском институте предпринимательства и педагогики Самаркандского государственного университета
- Наманганский государственный университет
- Термезский государственный университет
- Бухарский государственный университет
- Наманганский инженерно-строительный институт
- Ташкентский институт текстильной и легкой промышленности
- Ташкентский университет информационных технологий
- Ферганский политехнический институт
- Каршинский государственный университет
6. Мероприятия и медиа
- Предстоящие мероприятия
- School on Materials Modeling and Simulation: DFT, MD and ML Approaches. В октябре 2026 года планируется проведение следующей международной школы-семинара в сотрудничестве с Термезским государственным университетом в рамках программы Abdus Salam ICTP "Physics Without Frontiers: Uzbekistan". Ожидается участие молодых исследователей из Узбекистана, стран Центральной Азии и Афганистана.