Работы автора

В работе представлены результаты компьютерного моделирования алмазоподобных полупроводниковых наночастиц, построенных на базе арсенида галлия и на базе антимонида галлия. В работе были исследованы модели наночастиц размером 3´3´3 элементарные ячейки и размером 5´5´5 элементарных ячеек с различным содержанием атомов сурьмы в подрешетке BV. Методом нелокального орбитально-оболочечного функционала плотности были получены равновесные параметры связей пар атомов, входящих в состав кристаллической структуры исследуемых наноэлектромеханических систем (НЭМС). Методами молекулярной механики была изучена зависимость энергии наночастиц антимонида - арсенида галлия от размера наночастицы и содержания сурьмы в ее составе. Было показано незначительное изменение межатомного расстояния в полупроводниковых системах с алмазоподобной структурой и в НЭМС состоянии. Показано, что при введении атомов сурьмы в систему арсенида галлия система стабилизируется, а при введении атомов мышьяка в систему антимонида галлия система дестабилизируется.

В статье проанализирована эффективность использования различных моделей машинного обучения для предсказания спектральных свойств экзогенных флуорофоров, ключевых в диагностике онкозаболеваний. Исследуется применение алгоритмов ИИ для быстрого и экономически эффективного поиска новых флуорофоров, способствующих раннему выявлению рака. В статье оценивается эффективность различных моделей машинного обучения в предсказании свойств экзогенных флуорофоров, используемых в диагностике онкологических заболеваний. В работе исследуется применение алгоритмов искусственного интеллекта для быстрого поиска новых флуорофоров, способствующих раннему обнаружению рака. Особое внимание уделено оптической биопсии как неинвазивному методу исследования тканей для ранней диагностики патологий. В статье обобщаются данные из базы данных PubChem и GeoMcNamara и анализируются молекулярные свойства флуорофоров и их спектральные характеристики. Используя модели машинного обучения, такие как линейная регрессия, метод опорных векторов, случайный лес и XGBoost, получены результаты предсказания длины волны излучения для образцов флуорофоров. Результаты обучения и тестирования моделей свидетельствуют о высокой точности работы XGBoost и Random Forest. Исследование подчеркивает важность разработки эффективных флуорофоров для ранней диагностики рака и представляет модели машинного обучения в качестве инструментов для обработки и анализа данных в этой области, что позволяет акцентировать внимание на перспективности и применимости прогрессивных методов исследования в онкологии и медицинской химии.