Email this article О применении методов машинного обучения для предсказания точки адсорбционного перехода статических сополимеров
- Authors: Polotsky A.A.1, Ivanova A.S.1
-
Affiliations:
- Branch of the Federal State Budgetary Institution “Saint Petersburg Nuclear Physics Institute named after B.P. Konstantinov of the National Research Center 'Kurchatov Institute' – Institute of High Molecular Compounds
- Issue: Vol 67, No 2 (2025)
- Pages: 87-95
- Section: ТЕОРИЯ И МОДЕЛИРОВАНИЕ
- URL: https://journals.rcsi.science/2308-1120/article/view/353943
- DOI: https://doi.org/10.31857/S2308112025020055
- ID: 353943
Cite item
Open Access
Access granted
Subscription Access
Abstract
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 производящих 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.
About the authors
A. A. Polotsky
Branch of the Federal State Budgetary Institution “Saint Petersburg Nuclear Physics Institute named after B.P. Konstantinov of the National Research Center 'Kurchatov Institute' – Institute of High Molecular Compounds
Email: alexey.polotsky@gmail.com
Russian Federation, 199004, Saint Petersburg, Bolshoy pr. V.O, 31
A. S. Ivanova
Branch of the Federal State Budgetary Institution “Saint Petersburg Nuclear Physics Institute named after B.P. Konstantinov of the National Research Center 'Kurchatov Institute' – Institute of High Molecular CompoundsRussian Federation, 199004, Saint Petersburg, Bolshoy pr. V.O, 31
References
- Thompson S.W., Guimarães T.R., Zetterlund P.B. // Macromolecules. 2023. V. 56. № 23. P. 9711.
- Thompson S.W., Guimarães T.R., Zetterlund P.B. // Ind. Eng. Chem. Res. 2024. V. 63. № 15. P. 6766.
- Mohammadi Y., Penlidis A. // Adv. Theory Simul. 2019. V. 2. P. 180144.
- 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. P. 749.
- 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. P. 1339.
- Volgin I.V., Batyr P.A., Matseevich 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. P. 43678.
- Audus D.J., de Pablo J.J. // ACS Macro Lett. 2017. V. 6. № 10. P. 1078.
- Meyer T.A., Ramirez C., Tamasi M.J., Gormley A.J. // ACS Polym. Aur. 2023. V. 3. P. 141.
- Zhang K., Gong X., Jiang Y. // Adv. Funct. Mater. 2024. V. 34. № 24. P. 2315177.
- Okuyama H., Sugawara Y., Yamaguchi T. // ACS Appl. Mater. Int. 2024. V. 16. № 19. P. 25236.
- 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. P. 3765.
- Tang Y., Wei J., Liu Y., Chang Y., Zheng J. // Langmuir. 2024. V. 40. № 43. P. 22504.
- Su S., Masuda T., Takai M. // Langmuir. 2025. V. 41. № 11. P. 7534.
- Shi J., Quevillon M.J., Amorim Valença P.H., Whitmer J.K. // ACS Appl. Mater. Int. 2022. V. 14. № 32. P. 37161.
- Jin T., Coley C.W., Alexander-Katz A. // Macromolecules. 2023. V. 56. № 5. P. 1798.
- Polotsky А.А. // Polymer Science С. 2018. V. 60. № 1. P. 3.
- Lifson S. // J. Chem. Phys. 1964. V. 40. № 12. P. 3705.
- Гросберг А.Ю., Хохлов А.Р. Статистическая физика макромолекул. М.: Наука, 1989.
- Birshtein T.M. // Macromolecules. 1979. V. 12. № 4. P. 715.
- 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. P. 2825.
- Chollet F. Keras. 2015. https://keras.io
- Элбон К. // Машинное обучение с использованием Python. Сб. рецептов. СПб.: БХВ-Петербург, 2019.
- Verdhan V. // Supervised Learning with Python: Concepts and Practical Implementation Using Python. N.Y.: Apress, 2020.
- Soteros C.E., Whittington S.G. // J. Phys. A. Math. Theor. 2004. V. 37. P. 279.
- Polotsky A., Degenhard A., Schmid F. // J. Chem. Phys. 2009. V. 131. № 5. P. 054903.
- Khare S., Gourisaria M.K., Harshvardhan G.M., Joardar S., Singh V. // IOP Conf. Ser.: Mater. Sci. Eng. 2021. V. 1099. P. 012053.
Supplementary files
