- Код статьи
- S24129844S2308112025020055-1
- DOI
- 10.7868/S2412984425020055
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 67 / Номер выпуска 2
- Страницы
- 87-95
- 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 производительных 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.
- Ключевые слова
- Дата публикации
- 01.02.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 4
Библиография
- 1. Thompson S.W., Guimaraes T.R., Zetterlund P.B. // Macromolecules. 2023. V. 56. № 23. Р. 9711.
- 2. Thompson S.W., Guimaraes T.R., Zetterlund P.B. // Ind. Eng. Chem. Res. 2024. V. 63. № 15. Р. 6766.
- 3. Mohammadi Y., Penlidis A. // Adv. Theory Simul. 2019. V. 2. Р. 180144.
- 4. 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. Р. 749.
- 5. 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. Р. 1339.
- 6. Volgin I.V., Batyr P.A., Matsevich 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. Р. 43678.
- 7. Audus D.J., de Pablo J.J. // ACS Macro Lett. 2017. V. 6. № 10. Р. 1078.
- 8. Meyer T.A., Ramirez C., Tamasi M.J., Gormley A.J. // ACS Polym. Au. 2023. V. 3. Р. 141.
- 9. Zhang K., Gong X., Jiang Y. // Adv. Funct. Mater. 2024. V. 34. № 24. Р. 2315177.
- 10. Okayama H., Sugawara Y., Yamaguchi T. // ACS Appl. Mater. Int. 2024. V. 16. № 19. Р. 25236.
- 11. 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. Р. 3765.
- 12. Tang Y., Wei J., Liu Y., Chang Y., Zheng J. // Langmuir. 2024. V. 40. № 43. Р. 22504.
- 13. Su S., Masuda T., Takai M. // Langmuir. 2025. V. 41. № 11. Р. 7534.
- 14. Shi J., Quevillon M.J., Amorim Valenca P.H., Whitmer J.K. // ACS Appl. Mater. Int. 2022. V. 14. № 32. Р. 37161.
- 15. Jin T., Coley C.W., Alexander-Katz A. // Macromolecules. 2023. V. 56. № 5. Р. 1798.
- 16. Polotsky A.A. // Polymer Science C. 2018. V. 60. № 1. Р. 3.
- 17. Lifson S. // J. Chem. Phys. 1964. V. 40. № 12. Р. 3705.
- 18. Гросберг А.Ю., Хохлов А.Р. Статистическая физика макромолекул. М.: Наука, 1989.
- 19. Birshtein T.M. // Macromolecules. 1979. V. 12. № 4. Р. 715.
- 20. 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. Р. 2825.
- 21. Chollet F. Keras. 2015. https://keras.io
- 22. Элбон К. // Машинное обучение с использованием Python. Сб. рецептов. СПб.: БХВ-Петербург, 2019.
- 23. Verdhan V. // Supervised Learning with Python: Concepts and Practical Implementation Using Python. N.Y.: Apress, 2020.
- 24. Soteros C.E., Whittington S.G. // J. Phys. A. Math. Theor. 2004. V. 37. Р. 279.
- 25. Polotsky A., Degenhard A., Schmid F. // J. Chem. Phys. 2009. V. 131. № 5. Р. 054903.
- 26. Khare S., Gourisaria M.K., Harshvardhan G.M., Joardar S., Singh V. // IOP Conf. Ser.: Mater. Sci. Eng. 2021. V. 1099. Р. 012053.
