Недашківська, Надія ІванівнаОркуша, Аліна Дмитрівна2021-12-062021-12-062021Оркуша, А. Д. Система для породження нових молекул методами глибокого навчання : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Оркуша Аліна Дмитрівна. – Київ, 2021. – 132 с.https://ela.kpi.ua/handle/123456789/45450Дипломна 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.ukглибоке навчанняглибокі нейронні мережігенеративні змагальні мережіхемоінформатикагенерація молекулdeep learningdeep neural networksgenerative adversarial networkschemoinformaticsmolecules generationBachelor Thesis132 с.