Гибридные подходы на основе машинного обучения и графовых нейронных сетей для точного предсказания температур плавления органических кристаллов
Получена: 24.10.2026 Доработана: 09.11.2026 Принята: 09.11.2026
Опубликована: 2026 год, том 30, выпуск 4, С. 490–493
Аннотация
Предсказание температур плавления критически важно для химии и фармацевтики, но существующие методы сталкиваются с проблемами точности и вычислительной эффективности. В работе собран кодифицированный набор данных из 117 752 органических кристаллов. Проведено сравнение моделей машинного обучения на молекулярных эмбеддингах и графовых нейронных сетей. Гибридная модель TabM с конкатенированными эмбеддингами ChemBERTa и MoLFormer достигает MAE 26.75 K за 27 минут обучения, обеспечивая оптимальный баланс точности и вычислительных затрат по сравнению с Chemprop (MAE 26.44 K, 45 минут).
Ключевые слова: температура плавления, органические кристаллы, машинное обучение, графовые нейронные сети, ChemBERTa, MoLFormer, TabM, Chemprop.
BibTeX
@article{IS-Dubonos-Novikov-Bokov-Mitrofanov2026,
author = {Дубонос, Николай Сергеевич and Новиков, Александр Сергеевич and Боков, Григорий Владимирович and Митрофанов, Артем Александрович},
title = {{Гибридные подходы на основе машинного обучения и графовых нейронных сетей для точного предсказания температур плавления органических кристаллов}},
journal = {Интеллектуальные системы. Теория и приложения},
year = {2026},
volume = {30},
number = {4},
pages = {490--493},
}
AMSBIB
\RBibitem{IS-Dubonos-Novikov-Bokov-Mitrofanov2026}
\by Н.\,С.~Дубонос, А.\,С.~Новиков, Г.\,В.~Боков, А.\,А.~Митрофанов
\paper Гибридные подходы на основе машинного обучения и графовых нейронных сетей для точного предсказания температур плавления органических кристаллов
\jour Интеллектуальные системы. Теория и приложения
\yr 2026
\vol 30
\issue 4
\pages 490--493
EN