Развитие подходов Аскадского и Бицерано к прогнозированию свойств полимеров с помощью машинного обучения и дизайна новых путей численного представления структуры мономеров

Название НИОКТР	Развитие подходов Аскадского и Бицерано к прогнозированию свойств полимеров с помощью машинного обучения и дизайна новых путей численного представления структуры мономеров
Аннотация	Развитие новых материалов с прогнозируемыми свойствами является одной из ключевых задач материаловедения. Полимерные материалы находят широкое применение в промышленности, электронике, медицине и аэрокосмической отрасли, однако их разработка по-прежнему основывается на трудоемких и дорогостоящих экспериментах. Расчетные схемы "структура-свойство" (QSPR) позволяют значительно ускорить этот процесс, однако классические подходы, такие как методы Аскадского и Бицерано, обладают ограниченной точностью и требуют существенного усовершенствования. В последние годы машинное обучение показало высокую эффективность в прогнозировании свойств полимеров, но его применение ограничено нехваткой экспериментальных данных. Современные исследования показывают, что использование графовых нейросетей, ансамблевых моделей и регрессий гауссовских процессов на основе синтетических данных позволяет значительно повысить точность предсказаний. Тем не менее, остаются нерешенные вопросы, связанные с выбором численного представления структуры мономеров, недостаточной интерпретируемостью моделей и вариативностью экспериментальных данных. Научная новизна проекта заключается в развитии QSPR-подходов путем создания новых дескрипторов, которые точнее описывают молекулярную структуру мономеров с учетом современных представлений химии высокомолекулярных соединений, а также в применении передовых методов машинного обучения для прогнозирования свойств. Проект ориентирован на устранение ограничений существующих методов за счет расширения признакового пространства, внедрения новых стратегий предобработки данных и повышения интерпретируемости моделей. Результаты работы позволят углубить понимание связи между химической структурой и свойствами полимеров, а также создадут научные предпосылки для ускоренного цифрового проектирования материалов с заданными характеристиками.
Доступ к ОКОГУ исполнителя	False
Количество связанных РИД	0
Количество завершенных ИКРБС	0
Сумма бюджета	3000.0
Дата начала	2025-09-15
Дата окончания	2027-06-30
Номер контракта	25-73-00026
Дата контракта	2025-09-15
Количество отчетов	2
УДК	678.01 544.23.02/.03 544.25.02/.03
Количество просмотров	3
Руководитель работы	Аверочкин Глеб Михайлович
Руководитель организации	Мыц Софья Эдвардовна
Исполнитель	ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ Н.Э. БАУМАНА (НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ)"
Заказчик	Российский научный фонд
Федеральная программа	Отсутствует
Госпрограмма	Инициативные фундаментальные и поисковые научные исследования, финансируемые фондами поддержки научной и научно-технической и инновационной деятельности
Основание НИОКТР	Грант
Последний статус	2025-10-29 13:05:27 UTC, 2025-10-29 13:05:27 UTC
ОКПД	Услуги (работы), связанные с научными исследованиями и экспериментальными разработками в области технических наук и в области технологий, прочие, не включенные в другие группировки, кроме биотехнологии
Отраслевой сегмент	—
Минздрав	—
Межгосударственная целевая программа	—
Ключевые слова	машинное обучение; искусственный интеллект; новые материалы; полимеры
Соисполнители	—
Типы НИОКТР	Фундаментальное исследование
Приоритетные направления	—
Критические технологии	—
Рубрикатор	31.25.15 - Структура и свойства природных и синтетических высокомолекулярных соединений
OECD	—
OESR	Полимеры
Приоритеты научно-технического развития	а) переход к передовым технологиям проектирования и создания высокотехнологичной продукции, основанным на применении интеллектуальных производственных решений, роботизированных и высокопроизводительных вычислительных систем, новых материалов и химических соединений, результатов обработки больших объемов данных, технологий машинного обучения и искусственного интеллекта;
Регистрационные номера	—