Ключевые слова
полная энергия
машинное обучение
Python
случайный лес
многослойный перцептрон
искусственный интеллект
Как цитировать
Аннотация
в работе рассматривается задача вычисления полной энергии молекулы углерода с помощью алгоритма искусственного интеллекта. Разработанный алгоритм искусственного интеллекта сравнивается с методом численного интегрирования и известными алгоритмами искусственного интеллекта: нейросеть Колмогорова–Арнольда и случайный лес. Оценка качества разработанных алгоритмов производится с использованием метрик R2, MAE, RMSE. Особое внимание уделяется сравнительному анализу точности, вычислительной эффективности и области применимости каждого подхода.
Литература
Borsovszky J. et al. Photodissociation of Dicarbon: How Nature Breaks an Unusual Multiple Bond. PNAS. 2021;118(52):e2113315118. DOI: 10.1073/pnas.2113315118.
Yurchenko S. N., Szabó I., Pyatenko E., Tennyson J. ExoMol Line Lists XXXI: Spectroscopy of Lowest Eights Electronic States of C2. MNRAS. 2018;480(3):3397–3411. DOI: 10.1093/mnras/sty2050.
Sarry A. M., Sarry M. F. On the Density Functional Theory. Physics of the Solid State. 2012;54:1315–1322. DOI: 10.1134/S1063783412060297.
Teale A. M. et al. DFT Exchange: Sharing Perspectives on the Workhorse of Quantum Chemistry and Materials Science. Phys. Chem. Chem. Phys. 2022;24(47):28700-28781. DOI: 10.1039/D2CP02827A.
Koshcheev V. P., Shtanov Y. N. Simulation of the Total Energy of a Triatomic Silicon Cluster in the First Order of Perturbation Theory. 2025. arXiv:2507.00053. DOI: 10.48550/arXiv.2507.00053.
Галкин В. А., Гавриленко Т. В., Смородинов А. Д. Некоторые аспекты аппроксимации и интерполяции функций искусственными нейронными сетями. Вестник КРАУНЦ. Физ.-мат. науки. 2022;38(1):54–73. DOI: 10.26117/2079-6641-2022-38-1-54-73.
Галабурдин А. В. Аппроксимация функций нейронными сетями. Computational Mathematics and Information Technologies. 2026;10(1):50–57. DOI: 10.23947/2587-8999-2026-10-1-50-57.
Rumelhart D. E., McClelland J. L. Learning Internal Representations by Error Propagation. Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. MIT Press. 1987:318–362.
Рашка С. Машинное обучение с PyTorch и Scikit-Learn. Астана: Фолиант; 2024. 688 с.
Liu Z., Wang Y., Vaidya S. et al. KAN: Kolmogorov–Arnold Networks. 2024. arXiv:2404.19756. DOI: 10.48550/arXiv.2404.19756.
Дирак П. А. М. Принципы квантовой механики. М.: Наука; 1979. 479 с.
Бете Г. Квантовая механика. М.: Мир; 1965. 333 c.
Clementi E., Roetti C. Roothaan-Hartree-Fock Atomic Wavefunctions: Basis Functions and Their Coefficients for Ground and Certain Excited States of Neutral and Ionized Atoms, Z≤54. Atomic Data and Nuclear Data Tables. 1974;14(3):177–478. DOI: 10.1016/S0092-640X(74)80016-1.
Штанов Ю. Н., Кощеев В. П. Программа моделирования полной энергии взаимодействия двух атомов в первом порядке теории возмущений (Моделирование полной энергии взаимодействия атомов в первом порядке теории возмущений). Свидетельство о государственной регистрации компьютерных программ № 2024660504. М.: Роспатент; 2024.
Штанов Ю. Н., Кощеев В. П., Моргун Д. А. Библиотека программ «JINRLIB». Режим доступа: http://wwwinfo.jinr.ru/programs/jinrlib/tropics/index.html.
Прохоренок Н. А. Qt 6. Разработка оконных приложений на С++. СПб.: БХВ-Петербург; 2022. 512 c.
GNU Project. GNU Scientific Library. Режим доступа: https://www.gnu.org/software/gsl/.
Arthur D., Vassilvitskii S. k-Means++: The Advantages of Careful Seeding. Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms. 2007;8:1027–1035.
De Boor C. Subroutine Package for Calculating with B-splines. Techn. Rep. 1971:109–121.
Tancik M., Srinivasan P. P., Mildenhall B. et al. Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains. 2020. arXiv:2006.10739. DOI: 10.48550/arXiv.2006.10739.
He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2015. arXiv:1512.03385. DOI: 10.48550/arXiv.1512.03385.
He K., Zhang X., Ren S., Sun J. Identity Mappings in Deep Residual Networks. Computer Vision – ECCV 2016. Lecture Notes in Computer Science. Eds: Leibe B., Matas J., Sebe N., Welling M. 2016;9908. Springer, Cham. DOI: 10.1007/978-3-319-46493-0_38.
Elfwing S., Uchibe E., Doya K. Sigmoid-Weighted Linear Units for Neural Network Function Approximation in Reinforcement Learning. 2017. arXiv:1702.03118. DOI: 10.48550/arXiv.1702.03118.
Ba J. L., Kiros J. R., Hinton G. E. Layer Normalization. 2016. arXiv:1607.06450. DOI: 10.48550/arXiv.1607.06450.
Srivastava R. K., Greff K., Schmidhuber J. Highway Networks. 2015. arXiv:1505.00387. DOI: 10.48550/arXiv.1505.00387.
Xie Z., Liang W. et al. mHC: Manifold-Constrained Hyper-Connections. 2025. arXiv:2512.24880. DOI: 10.48550/arXiv.2512.24880.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.