Детальная информация

Данная работа посвящена созданию и обучению нейронной сети, основанной на архитектуре transformer, для решения задачи предсказания показателя преломления халькогенидных стёкол по их химическому составу. В ходе работы создан набор данных для обучения нейронной сети. С применением языка программирования Python и фреймворка Pytorch-tabular реализована и обучена нейронная сеть архитектуры FT-TRANSFORMER. Для демонстрации работы полученной модели реализовано клиент-серверное веб-приложение. Оценка полученного решения производится на основе сравнения с существующими решениями, использующими классические методы машинного обучения и полносвязные нейронные сети. Результаты работы могут быть использованы для разработки новых халькогенидных стёкол с заданными оптическими характеристиками. Для достижения данных результатов в работе были использованы следующие информационные технологии: • База данных SciGlass • Облачный сервис Kaggle • Языки программирования Python и JavaScript.

This work is devoted to the creation and training of a neural network based on the transformer architecture to solve the problem of predicting the refractive index of chalcogenide glasses based on their chemical composition. During the work, a data set was created for training the neural network. Using the Python programming language and the Pytorch-tabular framework, a neural network of the FT-TRANSFORMER architecture was implemented and trained. To demonstrate the operation of the resulting model, a client-server web application was implemented. The evaluation of the resulting solution is based on a comparison with existing solutions using classical machine learning methods and multilayer perceptron. The results of the work can be used to develop new chalcogenide glasses with specified optical characteristics. To achieve these results, the following information technologies were used in the work: • SciGlass database • Kaggle cloud service • Python and JavaScript programming languages.