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.
ВВЕДЕНИЕ<br />
На современном этапе развития химии, когда накоплен и организован в<br />
виде электронных баз данных огромный объем экспериментальных данных,<br />
особое внимание уделяется компьютерным методам обработки характеристик<br />
уже исследованных веществ с целью предсказания свойств, которыми обладают<br />
еще не исследованные соединения либо которыми будут обладать новые, еще<br />
не синтезированные вещества. Это, в свою очередь, открывает большие перспективы<br />
в решении одной из главных задач химической науки - целенаправленной<br />
разработке новых веществ и материалов с заранее заданными свойствами.<br />
Тем не менее, несмотря на актуальность этой задачи, до последнего времени<br />
отсутствовала универсальная, строго обоснованная и, в то же время, легкая<br />
для понимания методология, которая позволила бы химику на основе обработки<br />
экспериментальных данных осуществлять прогнозирование всевозможных<br />
свойств химических соединений. Главной целью настоящей диссертационной<br />
работы была разработка универсальной методологии, позволяющей с единых<br />
позиций прогнозировать самые разнообразные свойства органических соединений<br />
на основе обработки эмпирических данных. В данной работе сначала<br />
математически обоснован, а потом и на множестве примеров проиллюстрировали<br />
центральный тезис диссертационной работы – такой универсальной методологией<br />
является сочетание многослойных искусственных нейронных сетей и<br />
фрагментных дескрипторов.<br />
Искусственные нейронные сети в настоящее время являются одним из<br />
наиболее широко применяемых методов для восстановления по экспериментальным<br />
данным как разнообразных количественных зависимостей, так и для<br />
проведения качественной классификации. Благодаря уникальной возможности<br />
осуществлять построение нелинейных моделей любого уровня сложности,<br />
особенно в тех случаях, когда неизвестен общий вид аналитической зависимости,<br />
нейронные сети нашли широкое применение в рамках поиска зависимостей<br />
9