Уважаемые коллеги! Завершающее 2025 год (нейросетевое) заседание… — @laser_lab_MSU — TG.ME

Уважаемые коллеги! Завершающее 2025 год (нейросетевое) заседание семинара пройдет в 446 аудитории (ссылка Zoom по запросу) в ближайшую среду 17.12 в 12.30 МСК. Будем рады видеть всех очно или онлайн! асп. 4 г.о. Рылов Александр Валерьевич Нейросетевая модель для предсказания состава и параметров плазмы на основании спектральных данных Наиболее известный подход к определению состава плазмы без использования образцов сравнения требует априорный выбор эмиссионных линий без самопоглощения, при этом всё равно требуется большое количество ручного труда, а большое число параметров не позволяют легко получать реалистичные результаты. Использование моделирования всего спектра позволяет улучшить точность за счёт учёта влияния параметров источника на интенсивность и степень самопоглощения линий, но значительно усложняет нахождение решения. В данной работе предлагается подход к созданию нейросетевой модели, которая способна пренебрегать различиями в эмиссионных спектрах, полученных разными приборами, и предсказывать состав и температуру/электронную плотность излучающей плазмы. Для этого был создан обучающий набор из 100000 спектров 15 элементов в диапазоне длин волн 250 - 750 нм (20000 точек) с помощью разработанного в лаборатории алгоритма моделирования эмиссионных спектров с варьированием вышеперечисленных параметров. Температура, электронная плотность и состав предсказывались разными нейросетями, устроенными схожим образом: на вход подавался спектр, приведённый к одному размеру с использованием интерполяции. Предсказания осуществлялись с использованием полносвязной модели с использованием оригинального сверточного слоя. асп. 2 г.о. Бегларян Бабкен Гагикович Учёт заряда при предсказании ИК-спектров полициклических ароматических углеводородов: XGBoost и графовая нейронная сеть Наличие молекул полициклических ароматических углеводородов (ПАУ) в астрономических объектах установлено на основе наблюдений их инфракрасных (ИК) спектров. Однако идентификация единичных молекул остаётся затруднённой, в связи с чем возникает задача накопления спектральной базы данных молекул ПАУ. Поскольку экспериментальные подходы и расчётные методы, основанные на квантовой теории, обладают рядом ограничений, в данной работе предлагается применение методов машинного обучения для предсказания ИК-спектров молекул ПАУ. Особое внимание уделяется способам кодирования химической структуры и заряда молекул, классическим и нейросетевым подходам, а также возможным путям повышения качества предсказания, основанным на использовании переноса обучения и совмещении методов машинного обучения с молекулярной динамикой и квантово-химическими расчётами.