Прогнозирование кинетики сложных процессов люминесценции на Python

Введение. На сегодняшний день полиариленфталиды (ПАФ) находят широкое применение в оптоэлектронике. При этом реакции, протекающие при синтезе полиариленфталидов, имеют сложный характер, который до сих пор не удалось описать с помощью математических моделей. В связи с этим, невозможно использовать ПАФ во многих процессах. При этом ПАФ обладают люминесценцией, хорошими оптическими и электрофизическими свойствами. Выяснение механизмов возникновения люминесцирующих состояний ПАФ представляет как фундаментальный, так и практический интерес. В связи со сложностью расчета кинетики интенсивности свечения полиариленфталидов с помощью известных математических моделей была поставлена цель исследования — построить с помощью методов машинного обучения систему, прогнозирующую значения люминесценции в зависимости от температуры и времени нагревания.

Материалы и методы. Подготовлены к вычислениям экспериментальные данные, обосновано использование методов «случайный лес» и «градиентный бустинг», выбран способ подбора гиперпараметров данных моделей и обоснована целесообразность его использования, построены оптимальные модели и получены предсказания.

Результаты исследования. Разработан алгоритм предсказания интенсивности свечения полиариленфталидов. Используя методы машинного обучения на экспериментальных данных, были определены ключевые гиперпараметры системы и достигнута средняя точность предсказания значений — 80 %.

Обсуждение и заключения. Прогнозы высокой точности позволят предсказывать, как будут реагировать на внешнее воздействие продукты, включающие в свой состав полиариленфталиды. В работе представлено два метода решения задачи, так как они показали наилучшие результаты.

1. Овчинниковa, М. Ю. Кинетическая модель термостимулированной люминесценции пленок полидифениленфталида / М. Ю. Овчинниковa, В. А. Антипин, С. Л. Хурсан // Кинетика и катализ. — 2019. — Т. 60, № 5. — С. 547–554.

2. Koledina, K. F. Solving the problem of multi-criteria optimization of the synthesis reaction of benzylalkyl esters by the method of “ideal” point and lexicographic ordering / K. F. Koledina, A. A. Alexandrova // Computational mathematics and information technologies. — 2022. — Vol. 1., no. 1. — P. 12–19. Doi 10.23947/2587-8999-2022-1-1-12-19

3. Shaimardanova, G. F. Genetic algorithm for solving the inverse problem of chemical kinetics / G. F. Shaimardanova, K. F. Koledina // Computational mathematics and information technologies. — 2022. — Vol. 1, no. 1. — P. 41−49. Doi 10.23947/2587-8999-2022-1-1-41-49

4. Chistyakov, S. P. Random forests: an overview // Proceedings of the Karelian Scientific Center of the Russian Academy of Sciences. — 2013. — No. 1. — P. 117—136.

5. Брантон С. Л., Куц Дж. Н. Анализ данных в науке и технике / пер. с англ. А. А. Слинкина. — Москва : ДМК Пресс, 2021. — 574 с.

6. Muller, A. Introduction to Machine Learning using Python / A. Muller, S. Guido // O’Reilly. — 2016. — 340 p.

7. Sun, S. An adaptive k-nearest neighbor algorithm / S. Sun, R. Huang // IEEE. — 2010. — Vol. 1. — Р. 91–94.

8. Орельен Жерон Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. — Москва : Диалектика, 2018. — 690 с.