Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
В связи с этим особую актуальность приобретает проблема соотнесения<br />
теоретически рассчитываемых характеристик молекулярных систем с проявляемыми<br />
ими в эксперименте свойствами. Трудность решения этой проблемы<br />
обусловлена тем, что общий вид зависимости неучтенных в модели факторов от<br />
учитываемых молекулярных характеристик всегда является неизвестным, что<br />
является препятствием к применению стандартного аппарата математической<br />
статистики. Вследствие этого прогнозирование с достаточной точностью большинства<br />
практически важных свойств на основе теоретических моделей возможно<br />
в лучшем случае только внутри очень узкой группы молекулярных систем<br />
при помощи упрощенной линейной модели, параметризованной по имеющимся<br />
экспериментальным данным. Это делает невозможным применение полученной<br />
модели для большинства практически важных систем.<br />
Генеральным направлением в решении указанной проблемы нам видится<br />
использование математического аппарата обработки данных, позволяющего<br />
выявлять любые сколь угодно сложные нелинейные зависимости неизвестного<br />
вида между теоретически рассчитываемыми молекулярными характеристиками<br />
и экспериментальными данными. Наиболее подходящими для этого являются<br />
искусственные нейронные сети, которые позволяют проводить “интеллектуальную<br />
обработку” экспериментальных данных, содержащихся в химических<br />
базах данных, выявляя существующие (заранее неизвестные) корреляции между<br />
имеющимися экспериментальными и структурными данными, с одной стороны,<br />
и прогнозируемыми молекулярными характеристиками, с другой стороны.<br />
В данном разделе будет показано на нескольких примерах, что искусственные<br />
нейронные сети представляют собой мощный статистический аппарат<br />
обработки данных, который, в сочетании с элементами молекулярного моделирования,<br />
способен обеспечить надежный прогноз разнообразных свойств сложных<br />
молекулярных систем. Преимущество применения нейросетей заключается<br />
в их уникальной способности извлекать из эксперимента и обобщать зависимости,<br />
которые крайне трудно вывести из теоретических соображений. Поэтому<br />
аппарат нейросетей является необходимым дополнением к методам молекуляр-<br />
228