Классификация амфифильных макромолекул �на поверхности сферической наночастицы �с помощью методов глубокого обучения
Митьковский Дмитрий Александрович� Антюфриева Любовь Александровна�Лазутин Алексей Александрович�Василевская Валентина Владимировна
Курс: «Нейронные сети и их применение в научных исследованиях»
Введение в тему
Благодаря возможности использования довольно простых операций для создания частиц с определенными свойствами поверхности, сферические наночастицы с пришитыми полимерными цепями оказываются востребованными во многих областях науки и промышленности, например, для нефтяной отрасли и производства нанокомпозитов, а также для биомедицинских применений.
В рамках данной работы рассматривается сферическая наночастица, к поверхности которой привиты полимерные макромолекулы, состоящие из амфифильных мономерных звеньев. Амфифильные мономерные звенья включают как сольвофильные, так и сольвофобные группы и моделируются “гантелями” A–graft–B, состоящими из двух бусин одинакового диаметра. Бусины А соединены друг с другом и образуют основу цепочки, а бусины В представляют собой свободно вращающиеся боковые подвески.
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Модель амфифильного гомополимера с мономерными звеньями A–graft–B (a) и наночастицы, с привитыми макромолекулами амфифильного гомополимера (б)
Обзор существующих решений
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Данные
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Катеноид
Геликоид
Эннепер
Коста
Сектор
Диск
Двойной геликоид
Сложная структура
Подготовка изображений �для классификации элементов
Обработка данных
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
train / val / test = 0.8 / 0.1 / 0.1
Кластеризация
Выравнивание
Сферический слой
Проекция
Последовательный перенос ⅕ части изображения
Аугментация
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
При работе с изображениями различных элементов, использование сверточных нейронных сетей может быть особенно эффективным, поскольку они способны автоматически выявлять и адаптироваться к различным формам и паттернам, и извлекать их, независимо от расположения на изображении.
Сверточные нейронные сети
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Типичные изображения в сферических координатах φ - θ каждого класса
Классы элементов
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Спираль
Часть спирали
Эннепер
Линия
Сектор
Плоскость
Результаты
Multiclass Accuracy = 98.6%
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Типичные изображения X - Y каждого класса
Классы элементов
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Спираль
Часть спирали
Эннепер
Линия
Сектор
Плоскость
Результаты
Multiclass Accuracy = 96.9%
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
PointNet – это нейронная сеть, специально разработанная для анализа облаков точек. Ее уникальность заключается в том, что она способна эффективно работать непосредственно с наборами точек, представляющими объекты в трехмерном пространстве без дополнительной обработки, что достигается благодаря нескольким ключевым особенностям и методам, встроенным в архитектуру сети.
Во-первых, PointNet использует перестановочно-инвариантный слой, что значительно упрощает обработку данных без необходимости их предварительной сортировки или выравнивания.
Во-вторых, PointNet включает в себя механизмы агрегации информации, что позволяет эффективно учитывать информацию из всех точек, минуя необходимость явного представления глобальных признаков.
PointNet
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Результаты
Multiclass Accuracy = 93.8%
Ансамбль моделей
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения
Multiclass Accuracy = 99.2%
Эннепер
Геликоид
Результаты данной работы были представлены на международной конференции «Ломоносов-2024» (Диплом I степени)
По итогам исследования была подготовлена статья, направленная в «Soft Matter»
Результаты
Классификация амфифильных макромолекул на поверхности сферической наночастицы с помощью методов глубокого обучения