Данная работа содержит исследование возможностей применения алгоритмов машинного обучения для интерпретации результатов исследования частиц методами динамического рассеяния света. Целью данной работы является разработка, применение и исследование эффективности методов и алгоритмов машинного обучения, позволяющих производить оценку параметров дисперсионных систем в экспериментах динамического рассеяния света. В ходе работы был проведен литературный обзор методов динамического рассеяния света и методов машинного обучения. В работе использованы теоретические знания о виде автокорреляционной функции рассеянного сигнала для генерации синтетических данных, близких к имеющимся экспериментальным. В работе приведены возможные операции по предварительной обработке данных, особенностях генерации для наиболее эффективного обучения моделей. На основе полученных данных был произведен обзор эффективности различных методов машинного обучения, в частности, подбор оптимальной топологии нейронной сети для предсказания параметров частиц по имеющимся сигналам рассеяния и их автокорреляционным функциям. Осуществлена визуализация полученных результатов, сравнение теоретических и практических графиков для автокорреляционных функций рассеяния сигналов.

This paper contains research of possibilities of using machine learning algorithms for interpretation of dynamic light scattering experiment results. The purpose of this paper is the development, application and study of the effectiveness of methods and algorithms of machine learning, which make it possible to estimate the parameters of dispersive systems in experiments with dynamic light scattering. In the course of the work, a literature review of dynamic light scattering and machine learning methods was carried out. In this work, theoretical knowledge about the form of the autocorrelation function of the scattered signal was used to generate synthetic data close to the available experimental ones. The paper presents possible operations for preliminary data processing, generation features for the most efficient training of models. Based on the data obtained, a review was made of the effectiveness of various machine learning methods, in particular, the selection of the optimal neural network topology for predicting the parameters of particles from the available scattering signals and their autocorrelation functions. Visualization of the results obtained, comparison of theoretical and practical plots for autocorrelation functions of signal scattering has been carried out.