Predicția termostabilității materialelor cu ajutorul rețelelor neuronale

În această lucrare se prezintă o nouă metodă de predicţie a termostabilităţii materialelor cu ajutorul reţelelor neuronale. Datele experimentale privind termostabilitatea unor derivaţi de ferocen s-au obţinut prin analiză termică în condiţii dinamice cu un Derivatograf MOM Budapesta. Modelul neuronal conceput corelează termostabilitatea (apreciată prin doi parametri: temperatura iniţială la care începe degradarea (Ti) şi temperatura la care viteza de degradare este maximă (Tm)) cu o serie de caracteristici ale compuşilor analizaţi (masa moleculară, polarizabilitatea şi alţi parametri structurali obţinuţi prin modelare moleculară).

Introducere

Cristalele lichide conţinând metal în moleculă, cunoscute sub denumirea de metalo-mezogeni, combină proprietăţile cristalelor lichide cu varietatea de proprietăţi ale metalelor de coordinare (culoare, densitate electronică, magnetism şi polarizabilitate). Având în vedere cele menţionate este de înţeles interesul cercetătorilor în a sintetiza astfel de compuşi. Obţinerea de cristale lichide cu domeniu mezomorf larg este determinată de o combinare atentă a unor elemente structurale importante, respectiv: formă liniară, rigiditate, raport lungime/diametru cât mai mare.

Stabilitatea termică este un factor important ce afectează utilizarea unui compus nou in practica, in special in domeniile unde este necesara prelucrarea la o temperatura ridicata. In cazul cristalelor lichide, pe lângă proprietăţile fizice necesare, fluiditate, anizotropie optica, vâscozitate redusă, compuşii trebuie sa fie stabili termic pe domeniul de temperatura pe care se găsesc in mezofază. Când temperatura de izotropizare depăşeşte temperatura de descompunere este necesar un studiu al stabilităţii termice al acestor compuşi.

Utilizarea reţelelor neuronale modulare în predicţia termostabilităţii materialelor cu proprietăţi de cristal lichid poate contribui la obţinerea de noi materiale cu astfel de proprietăţi cu un consum mult mai mic de timp dar şi cu o importantă economie de bani pentru că sintezele pot fi conduse în aşa fel încât să se obţină proprietăţile dorite.

Calculul bazat pe reţele neuronale este unul din domeniile inteligenţei artificiale cu cea mai rapidă dezvoltare datorită abilităţii reţelelor de a memora diferite tipuri de relaţii. Reţelele neuronale s-au dovedit capabile de a aproxima orice funcţie neliniară continuă, fiind astfel aplicate modelării sistemelor neliniare.

Un element important, care este, probabil, principalul responsabil pentru succesul modelelor conexioniste, este capacitatea reţelelor neuronale de a învaţa din exemple. În mod tradiţional, pentru a rezolva o problemă, trebuie elaborat un model (matematic, logic, etc) al acestuia. Apoi, pornind de la acest model se indică o succesiune de operaţii reprezentând algoritmul de rezolvare a problemei. Există, însă, probleme practice de mare complexitate pentru care stabilirea unui algoritm, fie el şi unul aproximativ, este dificilă sau chiar imposibilă. În acest caz, problema nu poate fi abordată folosind un calculator tradiţional, indiferent de resursele de memorie şi timp de calcul disponibile.

Reţeaua neuronală extrage informaţia prezentă în mulţimea de instruire (invaţă din exemplele prezentate – faza de instruire). În această situaţie se spune ca reţeaua este instruită (antrenată). În faza de lucru- sau de referinţă- reţeaua va folosi informaţia achiziţionată în etapa de instruire pentru a trata situaţii de aceeaşi natură cu cele conţinute în mulţimea de instruire [1].