|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ИНХС РАН |
||
Использование искусственного интеллекта для интерпретации спектральных данных в оптическом диапазонеНИР
Interpretation of optical spectra by artificial intelligence
- Руководитель НИР: Лабутин Т.А.
- Ответственный исполнитель: Закускин А.С.
- Подразделение: Кафедра лазерной химии
- Срок исполнения: 1 января 2022 г. - 30 сентября 2024 г.
- Номер договора (контракта, соглашения): 1/ГКМУ-2021
- Тип: Фундаментальная
- Приоритетное направление научных исследований: другое
- Приоритеты и перспективы НТР Российской Федерации согласно Стратегии НТР РФ: переход к передовым цифровым, интеллектуальным технологиям
- Направление технологического прорыва России: Стратегические информационные технологии
- Критическая технология России: Технологии и программное обеспечение распределенных и высокопроизводительных вычислительных систем
-
Рубрики ГРНТИ:
- 28.23.37 Нейронные сети
- 29.31.17 Оптика атомов и ионов
- 29.31.21 Оптика твердых тел
- 29.31.26 Спектроскопические методы и методики
- 29.31.41 Оптика природных объектов
- Классификатор OECD: Оптика, Информатика – искусственный интеллект
-
Ключевые слова:
штарковские параметры, флуорофоры, искусственный интеллект, трехмерные спектры флуоресценции, ударные параметры уширения линий, eem-fluorescence
fluorophores, fluorescence, stark broadening parameters, excitation-emission matrix, 3d fluorescence spectra, artificial intelligence -
Описание:
Разработке алгоритмов искусственного интеллекта для предсказания параметров штарковского уширения и сдвига эмиссионных линий атомов и ионов, а также анализа спектров флуоресценции (возбуждение–эмиссия) органического вещества (ОВ) в природных водах для выявления флуорофоров.
- Добавил в систему: Лабутин Тимур Александрович
Источник финансирования НИР
| Хоздоговор, Фонд Интеллект |
Этапы НИР
| # | Сроки | Название |
| 1 | 1 января 2022 г.-31 декабря 2022 г. | Этап 1 |
| Результаты этапа: В результате работ, выполненных в отчетный период, был сформирован набор данных по штарковским параметрам атомных эмиссионных линий для обучения и тестирования моделей машинного обучения. Предложенные и реализованные подходы по масштабированию значений штарковских параметров и аугментации обучающего набора данных позволили существенно повысить точность предсказания моделей, сделали возможным предсказание штарковских параметров в широком диапазоне значений, а также предсказание температурной зависимости штарковских параметров. Всестороннее сравнение качества предсказаний рассмотренных моделей машинного обучения позволило рекомендовать оптимизированнyю XGBoost модель как наилучшим образом отвечающую задачам предсказания штарковских параметров эмиссионных линий. Предсказанные значения параметров для 114 линий 7 химических элементов были успешно использованы для термодинамического моделирования эмиссионных спектров лазерно-индуцированной плазмы. | ||
| 2 | 1 января 2023 г.-31 декабря 2023 г. | Этап 2 |
| Результаты этапа: | ||
| 3 | 1 января 2024 г.-30 сентября 2024 г. | Этап 3 |
| Результаты этапа: | ||
Прикрепленные к НИР результаты
Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".