Методы машинного обучения для моделирования свойств органических сопряженных полимеров

Название НИОКТР	Методы машинного обучения для моделирования свойств органических сопряженных полимеров
Аннотация	Органические сопряженные полимеры являются одним из наиболее востребованных классов соединений в современной науке о материалах благодаря их почти безграничному разнообразию, широкому спектру оптоэлектронных, физико-химических и структурных свойств, гибкости и в перспективе – биосовместимости. Направленный поиск новых полимерных материалов является важным аспектом молекулярного дизайна новых соединений с заданными свойствами. Благодаря ему возможно создание всё более и более эффективных полимерных органических транзисторов, светодиодов, фотовольтаических элементов и лазеров. Однако синтез новых органических сопряженных полимеров является крайне затратной и нетривиальной задачей, что ограничивает возможности скрининга с целью поиска материалов с необходимыми свойствами, а существующие методы вычислительного моделирования свойств полимеров либо ограничены в области применения (молекулярная динамика), либо не позволяют вычислять представляющие интерес свойства с должной точностью (теория функционала плотности). Альтернативным подходом для оценки свойств новых полимерных материалов являются машинное обучение, получившее за последние десять лет все более и более широкое применение в вычислительной химии. Тренировка новых моделей машинного обучения на основе доступных экспериментальных данных позволит не только ускорить скрининг перспективных полимеров, но и также получить возможность с высокой точностью теоретически оценивать те их свойства, которые затруднительны для предсказания методами вычислительной химии. Применение методов машинного обучения позволяет добиться большей точности предсказания, погрешность которого теоретически ограничена лишь качеством и представительностью выборки, использованной для тренировки. Помимо этого, полученная модель зачастую не требует каких-либо дополнительных навыков и квалификаций для применения, требует в качестве вводных данных исключительно химическую структуру мономера и позволяет практически мгновенно вычислять необходимые свойства – в том числе и новых соединений, с которыми модель ранее не встречалась. Всё это открывает возможности применения обученных моделей машинного обучения специалистами во всех областях науки о материалах. В рамках настоящего проекта планируется разработать и обучить ряд моделей машинного обучения, способных предсказывать широкий спектр физико-химических свойств органических сопряженных полимеров: модуль Юнга, энергии граничных орбиталей и энергетический зазор между ними, электрохимические свойства, оптические свойства и подвижность носителей зарядов. В рамках разработки моделей машинного обучения, в частности, будут применяться подходы, ранее не использовавшиеся для моделирования органических полимеров, но способные улучшить точность итоговой модели: метод «разделяй и властвуй» (обучение различных моделей для различных классов полимеров), а также последовательное обучение (каждая последующая модель использует данные, предсказанные предыдущей). Все это позволит открыть новые пути к поиску и направленному молекулярному дизайну новых органических сопряженных полимеров с заданными физико-химическими свойствами.
Доступ к ОКОГУ исполнителя	False
Количество связанных РИД	0
Количество завершенных ИКРБС	0
Сумма бюджета	3000.0
Дата начала	2025-09-15
Дата окончания	2027-05-15
Номер контракта	25-73-00401
Дата контракта	2025-09-15
Количество отчетов	2
УДК	542.8:544.14 542.8:539.19
Количество просмотров	3
Руководитель работы	Коскин Игорь Павлович
Руководитель организации	Багрянская Елена Григорьевна
Исполнитель	ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ НАУКИ НОВОСИБИРСКИЙ ИНСТИТУТ ОРГАНИЧЕСКОЙ ХИМИИ ИМ. Н.Н. ВОРОЖЦОВА СИБИРСКОГО ОТДЕЛЕНИЯ РОССИЙСКОЙ АКАДЕМИИ НАУК
Заказчик	Российский научный фонд
Федеральная программа	Отсутствует
Госпрограмма	—
Основание НИОКТР	Грант
Последний статус	2025-09-19 05:56:57 UTC, 2025-09-19 05:56:57 UTC
ОКПД	Услуги по предоставлению программного обеспечения без его размещения на компьютерном оборудовании пользователя
Отраслевой сегмент	—
Минздрав	—
Межгосударственная целевая программа	—
Ключевые слова	машинное обучение; нейросеть; фотолюминесценция; молекулярный дизайн; полупроводник; Органические полимеры
Соисполнители	—
Типы НИОКТР	Фундаментальное исследование
Приоритетные направления	—
Критические технологии	—
Рубрикатор	31.15.15 - Исследования строения и свойств молекул и химической связи
OECD	—
OESR	Физическая химия
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	—