Мета-обучение для оценки энергетических зазоров ароматических молекул

Standard

Мета-обучение для оценки энергетических зазоров ароматических молекул. / Петросян, Лев Сергеевич; Коскин, Игорь Павлович ; Казанцев, Максим Сергеевич.

In: Химия в интересах устойчивого развития, Vol. 33, No. 5, 2025, p. 614-621.

Research output: Contribution to journal › Article › peer-review

BibTeX

@article{93246ab8c7274049bd3790f24f07c285,

title = "Мета-обучение для оценки энергетических зазоров ароматических молекул",

abstract = "Представлена новая предиктивная модель на основе машинного мета-обучения для оценки энергетического зазора между граничными молекулярными орбиталями ароматических p-сопряженных молекул. Основная цель исследования заключалась в создании высокоточной и устойчивой модели, способной заменить ресурсоемкие расчеты квантовой химии, в частности методы теории функционала плотности, при скрининге органических соединений для оптоэлектроники. В качестве исходной базы данных использовалась отфильтрованная выборка из публичной базы PubChemQC PM6. Для описания химической структуры применялись дескрипторы Morgan fingerprints, на основе которых были обучены три первичные модели: модель случайного леса, модель деревьев с градиентным усилением и полносвязная нейронная сеть. Наилучшие результаты среди них показала модель с градиентным усилением (средняя абсолютная ошибка равна 0.1795 эВ). Для улучшения точности предсказаний была реализована мета-модель, которая обучалась на выходах упомянутых первичных моделей...",

keywords = "МАШИННОЕ ОБУЧЕНИЕ, ЭНЕРГЕТИЧЕСКИЙ ЗАЗОР, СОПРЯЖЕННЫЕ МОЛЕКУЛЫ, МЕТА-ОБУЧЕНИЕ, MACHINE LEARNING, ENERGY GAP, CONJUGATED MOLECULES, META-LEARNING",

author = "Петросян, {Лев Сергеевич} and Коскин, {Игорь Павлович} and Казанцев, {Максим Сергеевич}",

note = "Петросян, Л. С. Мета-обучение для оценки энергетических зазоров ароматических молекул / Л. С. Петросян, И. П. Коскин, М. С. Казанцев // Химия в интересах устойчивого развития. – 2025. – Т. 33, № 5. – С. 614-621. – DOI 10.15372/KhUR2025688. – EDN MQKLMJ. Исследование выполнено за счет средств государственного задания Новосибирского института органической химии СО РАН (проект № FWUE-2025-0007).",

year = "2025",

doi = "10.15372/KhUR2025688",

language = "русский",

volume = "33",

pages = "614--621",

journal = "Химия в интересах устойчивого развития",

issn = "0869-8538",

publisher = "ФГУП {"}Издательство СО РАН{"}",

number = "5",

}

RIS

TY - JOUR

T1 - Мета-обучение для оценки энергетических зазоров ароматических молекул

AU - Петросян, Лев Сергеевич

AU - Коскин, Игорь Павлович

AU - Казанцев, Максим Сергеевич

N1 - Петросян, Л. С. Мета-обучение для оценки энергетических зазоров ароматических молекул / Л. С. Петросян, И. П. Коскин, М. С. Казанцев // Химия в интересах устойчивого развития. – 2025. – Т. 33, № 5. – С. 614-621. – DOI 10.15372/KhUR2025688. – EDN MQKLMJ. Исследование выполнено за счет средств государственного задания Новосибирского института органической химии СО РАН (проект № FWUE-2025-0007).

PY - 2025

Y1 - 2025

N2 - Представлена новая предиктивная модель на основе машинного мета-обучения для оценки энергетического зазора между граничными молекулярными орбиталями ароматических p-сопряженных молекул. Основная цель исследования заключалась в создании высокоточной и устойчивой модели, способной заменить ресурсоемкие расчеты квантовой химии, в частности методы теории функционала плотности, при скрининге органических соединений для оптоэлектроники. В качестве исходной базы данных использовалась отфильтрованная выборка из публичной базы PubChemQC PM6. Для описания химической структуры применялись дескрипторы Morgan fingerprints, на основе которых были обучены три первичные модели: модель случайного леса, модель деревьев с градиентным усилением и полносвязная нейронная сеть. Наилучшие результаты среди них показала модель с градиентным усилением (средняя абсолютная ошибка равна 0.1795 эВ). Для улучшения точности предсказаний была реализована мета-модель, которая обучалась на выходах упомянутых первичных моделей...

AB - Представлена новая предиктивная модель на основе машинного мета-обучения для оценки энергетического зазора между граничными молекулярными орбиталями ароматических p-сопряженных молекул. Основная цель исследования заключалась в создании высокоточной и устойчивой модели, способной заменить ресурсоемкие расчеты квантовой химии, в частности методы теории функционала плотности, при скрининге органических соединений для оптоэлектроники. В качестве исходной базы данных использовалась отфильтрованная выборка из публичной базы PubChemQC PM6. Для описания химической структуры применялись дескрипторы Morgan fingerprints, на основе которых были обучены три первичные модели: модель случайного леса, модель деревьев с градиентным усилением и полносвязная нейронная сеть. Наилучшие результаты среди них показала модель с градиентным усилением (средняя абсолютная ошибка равна 0.1795 эВ). Для улучшения точности предсказаний была реализована мета-модель, которая обучалась на выходах упомянутых первичных моделей...

KW - МАШИННОЕ ОБУЧЕНИЕ

KW - ЭНЕРГЕТИЧЕСКИЙ ЗАЗОР

KW - СОПРЯЖЕННЫЕ МОЛЕКУЛЫ

KW - МЕТА-ОБУЧЕНИЕ

KW - MACHINE LEARNING

KW - ENERGY GAP

KW - CONJUGATED MOLECULES

KW - META-LEARNING

UR - https://www.elibrary.ru/item.asp?id=83160058

U2 - 10.15372/KhUR2025688

DO - 10.15372/KhUR2025688

M3 - статья

VL - 33

SP - 614

EP - 621

JO - Химия в интересах устойчивого развития

JF - Химия в интересах устойчивого развития

SN - 0869-8538

IS - 5

ER -

ID: 74009023