Система для породження нових молекул методами глибокого навчання

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorОркуша, Аліна Дмитрівна
dc.date.accessioned2021-12-06T13:54:58Z
dc.date.available2021-12-06T13:54:58Z
dc.date.issued2021
dc.description.abstractenBachelor thesis: 132 p., 23 fig., 6 tabl., 2 append., 46 sources. The object of research is the generation of new molecular structures. The aim of the work is to investigate standard and new approaches to molecule generation, to analyze existing deep learning methods for generating new molecular structures, to build a system that would use and test the latest developments in generative adversarial networks in the chemical field. The process of generating new molecules is long and expensive, in recent years, research is being actively conducted to accelerate and reduce the cost. Deep learning methods have proven to be an effective tool in this task. It is important to use the latest developments from some disciplines in the subject areas of others to increase efficiency and expand the established ideas. In this thesis, the existing approaches to solving this problem were investigated. Chemical data in SMILES notation is used. Its structure is analyzed, a script is developed to transform it into two-dimensional images in a format suitable for the selected model. One of the new approaches to the training of generative adversarial networks was applied, namely the progressive growing of the generative adversarial network in the chemical domain. Using the selected model, an artificial dataset with a size of 1000 examples was generated, models performance was evaluated, and ways for further research were suggested.uk
dc.description.abstractukДипломна робота: 132 с., 23 рис., 6 табл., 2 додатки, 46 джерел. Об’єкт дослідження – генерація нових молекулярних структур. Мета роботи – дослідити стандартні та нові підходи до генерації молекул, проаналізувати існуючі методи глибокого навчання для генерації нових молекулярних структур, побудувати систему яка б використовувала та тестувала останні розробки у галузі генеративних змагальних нейронних мереж на хімічній предметній області . Процес генерації нових молекул - довготривалий та дороговартісний, в останні роки активно ведуться дослідження для його пришвидшення та здешевлення. Методи глибокого навчання показали себе як ефективний інструмент у даній задачі. Важливо використовувати останні розробки з одних дисциплін на предметних областях інших для підвищення ефективності та розширення устаткованих уявлень. У даній роботі було досліджено існуючі підходи до розв'язку даної задачі. Використано хімічні дані у SMILES нотації. Проаналізовано їх структуру, розроблено скрипт для трансформації їх у двовимірні зображення у підходящому для обраної моделі форматі. Було застосовано один з нових підходів до тренування генеративних змагальних мереж, а саме прогресивне нарощування генеративної змагальної мережі на хімічній предметній області. За допомогою обраної моделі було згенеровано штучний датасет розміром 1000 прикладів, оцінено її перформанс, запропоновано шляхи для подальших досліджень.uk
dc.format.page132 с.uk
dc.identifier.citationОркуша, А. Д. Система для породження нових молекул методами глибокого навчання : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Оркуша Аліна Дмитрівна. – Київ, 2021. – 132 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/45450
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectглибоке навчанняuk
dc.subjectглибокі нейронні мережіuk
dc.subjectгенеративні змагальні мережіuk
dc.subjectхемоінформатикаuk
dc.subjectгенерація молекулuk
dc.subjectdeep learninguk
dc.subjectdeep neural networksuk
dc.subjectgenerative adversarial networksuk
dc.subjectchemoinformaticsuk
dc.subjectmolecules generationuk
dc.titleСистема для породження нових молекул методами глибокого навчанняuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Orkusha_bakalavr.pdf
Розмір:
3.72 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи