Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
дывались, и результирующее число было использовано для сравнения методик построения QSPR-моделей. В Табл. 19 представлены полученные значения рангов для различных методов построения QSPR-моделей. Табл. 19. Сравнение различных методов построения QSPR-моделей для прогнозирования температуры плавления ионных жидкостей Метод Программа Q 2 RMSE MAE Итого BPNN NASAWIN 0 0 0 0 ASNN/E-counts VCCLAB 0 0 0 0 ASNN/Dragon VCCLAB 0 0 0 0 SVM/Dragon VCCLAB 0 0 0 0 SVM/E-state VCCLAB 0 0 1 1 SVM/E-counts VCCLAB 0 1 1 2 ASNN/E-state VCCLAB 1 1 1 3 PLSM NASAWIN 2 1 2 5 MLR/Dragon VCCLAB 2 2 2 6 MLR-CM/SMF ISIDA 3 3 2 8 kNN/Dragon VCCLAB 3 3 3 9 FSMLR NASAWIN 4 4 4 12 kNN/E-state VCCLAB 3 3 4 10 MLR/E-state VCCLAB 3 4 4 11 kNN/E-counts VCCLAB 4 4 4 12 MLR/E-counts VCCLAB 4 4 4 12 Как видно из Табл. 19, нейросеть обратного распространения BPNN, реализованная в рамках программного комплекса NASAWIN, занимает первые два места наряду с ASNN/E-counts. Если учесть, что ASNN построена на основе нейросетей обратного распространения, а дескрипторы E-counts являются фрагментными, то можно сделать вывод, что именно комбинация нейросетей обратного распространения с фрагментными дескрипторами приводит к построению наилучших моделей для прогнозирования температуры плавления ионных жидкостей. 226
ГЛАВА 7. РАЗРАБОТКА ИНТЕГРИРОВАННЫХ ПОДХОДОВ Данная глава посвящена рассмотрению предложенных нами подходов, которые включают разного рода интеграцию нейросетей: (а) с методами молекулярного моделирования; (б) с комбинацией дескрипторных описаний одно– и многокомпонентных химических систем и внешних условий; а также (в) между собой. Все это ведет к значительному расширению круга свойств химических соединений, поддающихся надежному прогнозированию с использованием разрабатываемых нами методов. 7.1. Совместное применение методологии искусственных нейронных сетей и методов молекулярного моделирования На современном этапе научно-технического развития определяющую роль играет практическое использование сложных молекулярных и супрамолекулярных систем, что со всей актуальностью ставит задачу прогнозирования всего комплекса их практически значимых свойств и на основе этого проведение их целенаправленного дизайна. Не менее актуальной является также задача компьютерной обработки накопленных экспериментальных данных, относящихся к подобным системам, и извлечения информации, необходимой для эффективного конструирования новых систем. В настоящее время для решения вышеуказанных задач все большее значение приобретают методы молекулярного моделирования, в основе которых лежат разнообразные методы молекулярно-механического и квантовохимического расчета модельных молекулярных систем. Несмотря на успехи в области молекулярного моделирования, следует признать, что ни одна даже самая совершенная молекулярная модель неспособна охватить всего комплекса взаимодействий, в которые вовлечена реальная молекулярная система, равно как и учесть эти взаимодействия с достаточной точностью. Это служит серьезным препятствием к практическому применению многих теоретических моделей. 227
- Page 175 and 176: «редких фрагментов
- Page 177 and 178: пользовании 25 деск
- Page 179 and 180: Tf расч. о С, Tf calc. o C 30
- Page 181 and 182: На первом этапе раб
- Page 183 and 184: 0,935; s = 0,76 кДж·моль -1
- Page 185 and 186: пример использован
- Page 187 and 188: почечных фрагменто
- Page 189 and 190: ской структуры «ре
- Page 191 and 192: 1 O O OH C C a O C H 2 O H + C C a
- Page 193 and 194: веществ, например,
- Page 195 and 196: до 28.0 (MAE DCV ). Повыше
- Page 197 and 198: Таким образом, псев
- Page 199 and 200: цепочки длиной до д
- Page 201 and 202: алканов, см 3 /моль 7
- Page 203 and 204: свое преимущество
- Page 205 and 206: 6.3.1. Общая методоло
- Page 207 and 208: бирался оптимальны
- Page 209 and 210: 0,25 Результаты полу
- Page 211 and 212: При анализе дескри
- Page 213 and 214: 414]). Следует также о
- Page 215 and 216: d расч., г/куб.см 4,0 3,0
- Page 217 and 218: Табл. 15. Корреляция
- Page 219 and 220: Табл. 16. Усредненны
- Page 221 and 222: Как видно из Табл. 16
- Page 223 and 224: нием ошибки примен
- Page 225: NASAWIN (см. раздел 8.2) н
- Page 229 and 230: ного моделирования
- Page 231 and 232: ля и даже более сов
- Page 233 and 234: ного цианинового к
- Page 235 and 236: Значения констант
- Page 237 and 238: делена на обучающу
- Page 239 and 240: ность. Основной цел
- Page 241 and 242: На Рис. 50 приводятс
- Page 243 and 244: молекул с конденси
- Page 245 and 246: 7.1.4. Прогнозировани
- Page 247 and 248: сивов разрозненных
- Page 249 and 250: используются как т
- Page 251 and 252: были модифицирован
- Page 253 and 254: зависимости давлен
- Page 255 and 256: Объединенный набор
- Page 257 and 258: Оба механизма вклю
- Page 259 and 260: творителя, а также
- Page 261 and 262: Табл. 29. Характерис
- Page 263 and 264: набора дескрипторо
- Page 265 and 266: угодно сложные зав
- Page 267 and 268: симостей «структур
- Page 269 and 270: лей, хотя все модел
- Page 271 and 272: одновременно решае
- Page 273 and 274: Как видно приведен
- Page 275 and 276: принципе гарантиро
ГЛАВА 7. РАЗРАБОТКА ИНТЕГРИРОВАННЫХ ПОДХОДОВ<br />
Данная глава посвящена рассмотрению предложенных нами подходов,<br />
которые включают разного рода интеграцию нейросетей: (а) с методами молекулярного<br />
моделирования; (б) с комбинацией дескрипторных описаний одно– и<br />
многокомпонентных химических систем и внешних условий; а также (в) между<br />
собой. Все это ведет к значительному расширению круга свойств химических<br />
соединений, поддающихся надежному прогнозированию с использованием разрабатываемых<br />
нами методов.<br />
7.1. Совместное применение методологии искусственных нейронных сетей и<br />
методов молекулярного моделирования<br />
На современном этапе научно-технического развития определяющую<br />
роль играет практическое использование сложных молекулярных и супрамолекулярных<br />
систем, что со всей актуальностью ставит задачу прогнозирования<br />
всего комплекса их практически значимых свойств и на основе этого проведение<br />
их целенаправленного дизайна. Не менее актуальной является также задача<br />
компьютерной обработки накопленных экспериментальных данных, относящихся<br />
к подобным системам, и извлечения информации, необходимой для эффективного<br />
конструирования новых систем.<br />
В настоящее время для решения вышеуказанных задач все большее значение<br />
приобретают методы молекулярного моделирования, в основе которых<br />
лежат разнообразные методы молекулярно-механического и квантовохимического<br />
расчета модельных молекулярных систем. Несмотря на успехи в<br />
области молекулярного моделирования, следует признать, что ни одна даже самая<br />
совершенная молекулярная модель неспособна охватить всего комплекса<br />
взаимодействий, в которые вовлечена реальная молекулярная система, равно<br />
как и учесть эти взаимодействия с достаточной точностью. Это служит серьезным<br />
препятствием к практическому применению многих теоретических моделей.<br />
227