Основная цель Международного семинара - представить результаты совместных исследований Российских и Турецких ученых по разработке концепции управляемого данными генома углеродных наноматериалов и ее применению. В рамках семинара планируется обсудить актуальные проблемы и перспективы в области создания и использования инновационных углеродных наноматериалов.

В ходе семинара планируется обсудить следующие основные вопросы:
1. Введение в концепцию управляемого данными генома углеродных наноматериалов и его роль в ускоренной разработке перспективных углеродных наноматериалов;
2. Исследование взаимосвязей между параметрами импульсно-плазменного выращивания, структурными характеристиками и физико-химическими свойствами углеродных наноструктур;
3. Методология моделирования с использованием нейросетей для выявления скрытых зависимостей в управляемом данными геноме углеродных наноматериалов;
4. Стратегии активации новых нейронных связей в управляемом данными геноме углеродных наноматериалов для раскрытия потенциала углеродных наноматериалов;
5. Перспективные области применения управляемого данными генома углеродных наноматериалов в электронике, энергетике, катализе;
6. Перспективы дальнейшего развития рассматриваемых подходов.

Семинар будет проходить в формате презентаций ученых и специалистов, а также открытых дискуссий и обсуждений. Участники имеют возможность задать вопросы, обменяться опытом и исследованиями, а также обсудить потенциальные возможности сотрудничества в области управляемого данными генома углеродных наноматериалов.

Концепция управляемого данными генома углеродных наноматериалов представляет собой инновационный подход, направленный на выявление скрытых зависимостей между параметрами импульcно-плазменного выращивания углеродных наноструктур и их структурными и физико-химическими свойствами. Она основывается на систематизации и анализе больших объемов экспериментальных и расчетных данных о структуре, физических и химических характеристиках различных углеродных наноматериалов с использованием нейронных сетей. Каждый из рассматриваемых углеродных наноматериалов характеризуется уникальным набором структурных параметров и дескрипторов, определяющих его особенности.

Чтобы формализовать объединение большого набора структурных и физико-химических свойств углеродных наноматериалов, а также учесть комплекс их сложных взаимозависимостей, мы используем усовершенствованную систему многофакторных прогностических моделей на основе нейронных сетей глубокого обучения, совокупность которых и составляет "геном" каждого конкретного наноматериала.
С каждым новым фрагментом данных геном растет, расширяя наше понимание возможностей углеродных наноматериалов.

Для создания прогностических моделей, обобщающих регистрируемые экспериментальные данные и учитывающих влияние множество факторов эксперимента мы использовали нейронные сети глубокого обучения, реализованные в рамках аналитической системы интеллектуального анализа данных PolyAnalyst от компании Megaputer Intelligence Inc.

Такие многофакторные прогностические модели позволяют решать как прямые задачи - интерполяцию зависимостей топологических и физико-химических характеристик выращиваемых углеродных наноматериалов от параметров импульсно-плазменного выращивания, так и обеспечивать решение обратных задач – определять параметры импульсно-плазменного выращивания для обеспечения
заданных топологических, физико-химических и эксплуатационных характеристик выращиваемых углеродных наноматериалов.

Аналитическая система PolyAnalyst поддерживает визуальное программирование и позволяет собирать, обрабатывать, анализировать и моделировать данные. В системе PolyAnalyst все операции обработки и анализа данных представлены в виде интерактивного визуального сценария, где каждая операция соответствует узлу, а поток данных обозначается дугами. Аналитические сценарии создаются путем соединения функциональных узлов, где каждый узел выполняет определенные операции с данными, такие как загрузка, преобразование, визуализация или алгоритмы машинного обучения.
Мы можем задать входные факторы, указать желаемый результат и использовать различные алгоритмы для обучения и оптимизации модели. Система PolyAnalyst интегрируется с различными источниками данных, позволяя комбинировать структурированные и неструктурированные данные для анализа. Это помогает нам получить более полное понимание данных и повысить качество моделей.

Для получения точных и полных многофакторных прогностических моделей, мы обобщаем и интегрируем все экспериментальные результаты в едином Хранилище данных. Созданные многофакторные прогностические модели способны выявлять весь набор зависимостей, содержащихся в экспериментальных данных, решать прямые и обратные задачи в пространстве экспериментальных данных, экстраполировать зависимости, выявленные в пространстве экспериментальных данных и реализовывать виртуальные эксперименты за пределами пространства экспериментальных данных.

Целевыми функциями многофакторных прогностических моделей являлись: - отношение интенсивностей (в Рамановских спектрах) пика, связанного с sp-гибридизированными углеродными цепочками к пику, соответствующему наличию графитовых связей в структуре - Isp/IG. Это отношение интенсивностей в Рамановских спектрах непосредственно характеризует долю sp-гибридизированного углерода в общей матрице тонкой пленки аморфного углерода; - частота и форма поверхностных акустических волн, генерируемых на поверхности выращиваемых образцов; - относительная концентрация метана и водорода в смеси с аргоном, подаваемых в камеру, где проводится выращивание образцов; - напряжение разряда источника углеродной плазмы; - энергия ионного источника; - параметры высокочастотного электромагнитного облучения, инициирующего дистанционную самосборку углеродных наноструктур при выращивании образцов.
Подбирая определенные значения базовых параметров импульсно-плазменного выращивания углеродных наноструктур, можно целенаправленно получать углеродные наноматериалы с заданными структурными и физико-химическими характеристиками.

Традиционные экспериментальные подходы позволяют выявлять ограниченные наборы нейронных связей, которые можно включать в вычислительное пространство генома. Предлагаемая нами стратегия активации новых нейронных связей в геноме позволяет реализовать обратное проектирование углеродных наноматериалов на новом качественном уровне - исходя из требуемых характеристик и областей применения определяются оптимальные условия импульсно-плазменного выращивания. Каждая из таких новых нейронных взаимосвязей формализуется в многофакторных прогностических моделях на основе нейронных сетей глубокого обучения.

Концепция управляемого данными генома углеродных наноматериалов и разработанная методология его применения являются катализатором при поиске оптимальных технологических параметров и режимов выращивания углеродных наноструктур с необходимыми топологическими и физико-химическими характеристиками. Реализация этого подхода кардинально ускоряет поиск перспективных углеродных наноматериалов и оптимизацию технологий их получения.

Управляемый данными геном углеродных наноматериалов - это не просто концепция и инструмент для прогнозирования, это также инструмент для открытий и дорожная карта в будущее. Будущее уже наступило, и оно основано на данных. Путем анализа управляемого данными генома углеродных наноматериалов исследователи могут обнаружить ранее неизвестные связи между свойствами углеродных наноматериалов. Это приводит к созданию новых наноматериалов с определенными свойствами, адаптированными для конкретных потребностей. Потенциальные возможности их применения почти не ограничены.

Данное исследование выполняется при финансовой поддержке РФФИ и ТУБИТАК в рамках научного проекта № 20-58-46014.

Более подробно ознакомиться с содержанием проекта можно по ссылке: http://www.wcrc.ru/NanoCarbonGenome/Russian-Turkish-JRP-2023.html