На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

сивов разрозненных данных с целью прогнозирования тех или иных свойств
новых веществ, представляющих практический интерес. Одним из наиболее
перспективных методов такой обработки является нейросетевое моделирование.
К главным достоинствам искусственных нейронных сетей можно отнести
возможность построения на их основе нелинейных многопараметровых моделей
даже в тех случаях, когда заранее неизвестен точный вид аналитической зависимости
структура-свойство.
Классический подход к построению моделей «структура-свойство» основан
на аппроксимации зависимости исследуемого свойства от дескрипторов,
описывающих структуры химических соединений, при фиксированных «стандартных»
условиях, накладываемых на его измерение. Такими условиями могут
являться, например, температура, давление, ионная сила раствора и т.д. Это,
однако, оставляет открытым вопрос о предсказании значений этого же свойства
при других условиях, а также значительно снижает объем доступных для обработки
экспериментальных данных. Хотя для этой цели могут быть использованы
формулы из арсенала физической химии, однако они не всегда обеспечивают
максимально возможную точность прогноза, посколько часто бывают основаны
на использовании «усредненных» эмпирических параметров.
Поскольку, как правило, зависимость свойств химических соединений от
условий, в которых они измерены, также носит нелинейный характер, мы предположили,
что с помощью методологии искусственных нейронных сетей можно
расширить классический подход путем добавления характеристик внешних
условий к входным параметрам нейросети [450, 451]. В качестве характеристик
среды могут использоваться такие параметры, как температура, давление, концентрация,
наличие того или иного растворителя, дескрипторы, характеризующие
свойства растворителя, и т.д.
Общая схема предлагаемого подхода к построению зависимостей структура
– условия – свойство изображена на Рис. 52.
247