Carbonitride Metal Navigator

Opis projektu

Wykorzystanie potencjału węgloazotków metali

Węgloazotki metali - związki łączące metale ziem rzadkich z węglem i azotem - wykazują niezwykłe właściwości mechaniczne, elektroniczne, katalityczne i nadprzewodzące, dzięki czemu mogą znaleźć zastosowanie w czystej energii, katalizie i technologiach kwantowych. Są jednak niedostatecznie zbadane ze względu na koszty i czas stosowania konwencjonalnych metod teorii funkcjonału gęstości w celu systematycznego badania tej rozległej przestrzeni chemicznej. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie” projektu CarMeN ma na celu osiągnięcie dokładności zbliżonej do tej metody przy wykorzystaniu ułamka wymaganej mocy obliczeniowej. Potencjały uzyskane metodą uczenia maszynowego oparte na wysokiej jakości danych zostaną połączone z prognozami struktury krystalicznej, aby umożliwić systematyczne mapowanie stabilnych i metastabilnych związków węgloazotków metali o pożądanych właściwościach. Wskazane związki zostaną zweryfikowane pod kątem możliwości ich uzyskania w doświadczeniach.

Cel

The CarMeN (Carbonitride Metal Navigator) project aims to revolutionize the discovery of functional materials by combining machine learning (ML) with crystal structure prediction (CSP) to accelerate exploration of the vast and underexplored space of metal carbonitrides (MCNs). MCNs, composed of earth-abundant metals with carbon and nitrogen, exhibit exceptional mechanical, electronic, catalytic, and superconducting properties, making them highly relevant for sustainable energy, catalysis, quantum technologies, and advanced manufacturing. Despite this promise, only a small fraction of MCN compounds has been studied due to the limitations of conventional density functional theory (DFT) methods.

The project overcomes these bottlenecks by developing machine-learned potentials (MLPs) trained on high-quality DFT data, achieving near-DFT accuracy at orders-of-magnitude lower cost. These MLPs will enable high-throughput CSP, systematically mapping stable and metastable MCN phases while incorporating multi-objective optimization to identify compounds with technologically desirable properties. Predicted structures will be rigorously validated through phonon stability checks, property calculations (mechanical, electronic, catalytic, and energetic), and synthetic pathway analysis, ensuring experimental feasibility.

The methodology is structured across five work packages: (i) project and data management under FAIR principles, (ii) MLP development, (iii) ML-accelerated CSP, (iv) property evaluation and synthesis-informed validation, and (v) dissemination and open science practices. By uniting interdisciplinary advances in machine learning, computational chemistry, and materials science, CarMeN will establish a scalable discovery paradigm that bridges theoretical prediction and practical application. Ultimately, the project seeks to deliver sustainable, high-performance materials while advancing open, reproducible practices in computational materials research.