Применение машинного обучения для предсказания адсорбционных свойств наночастиц диоксида кремния. В обзоре стоит сравнить ML-модели (например, градиентный бустинг, нейросети) с классическими из адсорбции

Данный проект направлен на применение методов машинного обучения для предсказания адсорбционных свойств наночастиц диоксида кремния. Сравнительный анализ классических методов адсорбции с ML-моделями, такими как градиентный бустинг и нейронные сети, позволит оценить эффективность и точность предсказаний. Результаты исследования могут быть полезными для разработки новых материалов с оптимальными адсорбционными свойствами.

Объект исследования: Наночастицы диоксида кремния

Предмет исследования: Адсорбционные свойства наночастиц диоксида кремния

Методы исследования: Машинное обучение (градиентный бустинг, нейросети) и классические методы из адсорбции

Научная новизна: Сравнение эффективности моделей машинного обучения и классических методов в предсказании адсорбционных свойств наночастиц диоксида кремния

Цель проекта: Исследовать возможности применения машинного обучения для предсказания адсорбционных свойств наночастиц диоксида кремния и сравнить их с классическими методами из адсорбции

Проблема: Недостаточная точность и эффективность предсказания адсорбционных свойств наночастиц диоксида кремния с использованием классических методов

Целевая аудитория: Исследователи в области нанотехнологий, химии, физики, а также специалисты в области машинного обучения и искусственного интеллекта

Задачи проекта:
1. Собрать и проанализировать данные об адсорбционных свойствах наночастиц диоксида кремния
2. Построить модели машинного обучения (градиентный бустинг, нейросети) для предсказания этих свойств
3. Сравнить результаты моделей машинного обучения с классическими методами из адсорбции
4. Оценить точность и эффективность предсказаний каждой модели
5. Сделать выводы о применимости машинного обучения для предсказания адсорбционных свойств наночастиц диоксида кремния.