Рассказываем о результатах исследований ученых СПбПУ, опубликованных в журналах уровня Q2 — 8 июня 2026 г. в 08:32:35.093
Рассказываем о результатах исследований ученых СПбПУ, опубликованных в журналах уровня Q2 💡 Machine learning models for predicting density and glass transition temperature of chalcogenide glasses: Comparison and validation on novel compositions Ученые СПбПУ создали модель ИИ для прогнозирования свойств халькогенидных стекол — материалов, пропускающих тепловое излучение в ИК-диапазоне и используемых в тепловизорах, датчиках ночного видения и медицинской диагностике. На основе базы данных о составах и свойствах стекол исследователи обучили несколько моделей. Лучший результат показала многослойная нейросеть. Для температуры стеклования ошибка прогноза составила 15,84°C, для плотности — 0,0433 г/см³. Это заметно точнее универсальной модели GlassNet (21,07°C и 0,1423 г/см³). Важно, что нейросеть воспроизводит физически осмысленные зависимости: увеличение доли мышьяка ведет к росту температуры стеклования и плотности. Так модель улавливает не просто статистические совпадения, а реальные связи между составом и свойствами. Разработка позволяет сократить число пробных синтезов и сузить область поиска при создании новых стекол для инфракрасной оптики. Исследование выполнено в рамках программы «Приоритет-2030» и опубликовано в журнале Materialia (квартиль Q2) Подробный обзор → на Научном портале