Отправить статью по E-mail 
О применении методов машинного обучения для предсказания точки адсорбционного перехода статических сополимеров
- Авторы: Полоцкий А.А.1, Иванова А.С.1
-
Учреждения:
- Филиал федерального государственного бюджетного учреждения “Петербургский институт ядерной физики им. Б.П. Константинова Национального исследовательского центра “Курчатовский институт” – Институт высокомолекулярных соединений
- Выпуск: Том 67, № 2 (2025)
- Страницы: 87-95
- Раздел: Теория и моделирование
- URL: https://vestnik-pp.samgtu.ru/2308-1120/article/view/697090
- DOI: https://doi.org/10.31857/S2308112025020055
- ID: 697090
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
С помощью четырех методов машинного обучения – полиномиальной регрессии четвертого порядка, метода опорных векторов, метода случайного леса и искусственной нейронной сети – построены модели для предсказания точки адсорбционного перехода случайно-периодического сополимера по последовательности мономерных звеньев в его периоде. Точка перехода рассчитана с помощью метода производящих функций, дающего возможность получить обратную температуру перехода для всех возможных последовательностей периода заданной длины. Показано, что все модели, построенные с помощью выбранных методов, хорошо предсказывают обратную температуру адсорбционного перехода, оптимальным выбором является метод полиномиальной регрессии.
Об авторах
А. А. Полоцкий
Филиал федерального государственного бюджетного учреждения “Петербургский институт ядерной физики им. Б.П. Константинова Национального исследовательского центра “Курчатовский институт” – Институт высокомолекулярных соединений
Email: alexey.polotsky@gmail.com
Российская Федерация, 199004, Санкт-Петербург, Большой пр. В.О, 31
А. С. Иванова
Филиал федерального государственного бюджетного учреждения “Петербургский институт ядерной физики им. Б.П. Константинова Национального исследовательского центра “Курчатовский институт” – Институт высокомолекулярных соединенийРоссийская Федерация, 199004, Санкт-Петербург, Большой пр. В.О, 31
Список литературы
- Thompson S.W., Guimarães T.R., Zetterlund P.B. // Macromolecules. 2023. V. 56. № 23. P. 9711.
- Thompson S.W., Guimarães T.R., Zetterlund P.B. // Ind. Eng. Chem. Res. 2024. V. 63. № 15. P. 6766.
- Mohammadi Y., Penlidis A. // Adv. Theory Simul. 2019. V. 2. P. 180144.
- Ethier J.G., Casukhela R.K., Latimer J.J., Jacobsen M.D., Shantz A.B., Vaia R.A. // ACS Macro Lett. 2021. V. 10. № 6. P. 749.
- Arora A., Lin T.-S., Rebello N.J., Av-Ron S.H.M., Mochigase H., Olsen B.D. // ACS Macro Lett. 2021. V. 10. № 11. P. 1339.
- Volgin I.V., Batyr P.A., Matseevich A.V., Dobrovskiy A Yu., Andreeva M.V., Nazarychev V.M., Larin S.V., Goikhman M.Ya., Vizilter Yu.V., Askadskii A.A., Lyulin S.V. // ACS Omega. 2022. V. 7. № 48. P. 43678.
- Audus D.J., de Pablo J.J. // ACS Macro Lett. 2017. V. 6. № 10. P. 1078.
- Meyer T.A., Ramirez C., Tamasi M.J., Gormley A.J. // ACS Polym. Aur. 2023. V. 3. P. 141.
- Zhang K., Gong X., Jiang Y. // Adv. Funct. Mater. 2024. V. 34. № 24. P. 2315177.
- Okuyama H., Sugawara Y., Yamaguchi T. // ACS Appl. Mater. Int. 2024. V. 16. № 19. P. 25236.
- Palai D., Tahara H., Chikami S., Latag G.V., Maeda S., Komura C., Kurioka H., Hayashi T. // ACS Biomater. Sci. Eng. 2022. V. 8. № 9. P. 3765.
- Tang Y., Wei J., Liu Y., Chang Y., Zheng J. // Langmuir. 2024. V. 40. № 43. P. 22504.
- Su S., Masuda T., Takai M. // Langmuir. 2025. V. 41. № 11. P. 7534.
- Shi J., Quevillon M.J., Amorim Valença P.H., Whitmer J.K. // ACS Appl. Mater. Int. 2022. V. 14. № 32. P. 37161.
- Jin T., Coley C.W., Alexander-Katz A. // Macromolecules. 2023. V. 56. № 5. P. 1798.
- Polotsky А.А. // Polymer Science С. 2018. V. 60. № 1. P. 3.
- Lifson S. // J. Chem. Phys. 1964. V. 40. № 12. P. 3705.
- Гросберг А.Ю., Хохлов А.Р. Статистическая физика макромолекул. М.: Наука, 1989.
- Birshtein T.M. // Macromolecules. 1979. V. 12. № 4. P. 715.
- Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay Éd. // J. Machine Learn. Res. 2011. V. 12. P. 2825.
- Chollet F. Keras. 2015. https://keras.io
- Элбон К. // Машинное обучение с использованием Python. Сб. рецептов. СПб.: БХВ-Петербург, 2019.
- Verdhan V. // Supervised Learning with Python: Concepts and Practical Implementation Using Python. N.Y.: Apress, 2020.
- Soteros C.E., Whittington S.G. // J. Phys. A. Math. Theor. 2004. V. 37. P. 279.
- Polotsky A., Degenhard A., Schmid F. // J. Chem. Phys. 2009. V. 131. № 5. P. 054903.
- Khare S., Gourisaria M.K., Harshvardhan G.M., Joardar S., Singh V. // IOP Conf. Ser.: Mater. Sci. Eng. 2021. V. 1099. P. 012053.
Дополнительные файлы
