ИСТИНА

Разработка мультимодального флуоресцентного наносенсора на основе углеродных точек (УТ) направлена на создание перспективного инструмента для анализа жидких сред и количественной оценки примесей металлов [1]. Одним из ключевых этапов является создание модели, оценивающей концентрацию катионов металлов по спектрам флуоресценции УТ, введенных в исследуемый образец. В качестве таких моделей могут использоваться персептроны и сверточные нейронные сети. Благодаря универсальности, нелинейности и наличию эффективных алгоритмов обучения, нейросетевые модели приобрели широкую популярность в исследованиях для выявления сложных закономерностей в больших наборах данных. Нейронные сети Колмогорова-Арнольда (СКА) представляют собой подход, альтернативный стандартным нейросетевым моделям. В отличие от поиска матричных коэффициентов (весов), обучение СКА заключается в поиске непрерывных функций активации [2]. Это позволяет СКА проявлять большую нелинейность по сравнению со стандартными нейросетевыми подходами, что в ряде случаев может обеспечить повышенную точность аппроксимации [2, 3]. Архитектурно СКА основана на суммах и суперпозиции скалярных функций одной переменной. Такая структура позволяет осуществлять наглядную визуализацию модели, что упрощает интерпретацию ее работы [2]. В данном исследовании на основе экспериментальных данных [1] были построены модели СКА для одновременного определения концентраций шести катионов металлов и одного аниона по двумерным картам флуоресценции растворов с УТ. СКА продемонстрировала точность определения концентрации ионов, сопоставимую с референсными методами (многослойный персептрон, случайный лес, градиентный бустинг, метод группового учета аргументов). Был предложен и применен усовершенствованный метод визуальной интерпретации СКА, учитывающий существенные взаимосвязи между входными признаками. Полученные результаты позволили выявить ключевые закономерности, обнаруженные и используемые СКА при определении концентраций ионов. Исследование выполнено за счет гранта Российского научного фонда № 22-12-00138, https://rscf.ru/project/22-12-00138/ [https://rscf.ru/project/22-12-00138/]. Г.А.Куприянов является стипендиатом Фонда развития теоретической физики и математики «Базис» и Некоммерческого Фонда развития науки и образования «Интеллект». [1] Sarmanova, O.E., Laptinskiy, K.A., Burikov, S.A., Chugreeva, G.N., Dolenko, T.A.: Implementing neural network approach to create carbon-based optical nanosensor of heavy metal ions in liquid media. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 286, 122003 (2023). [2] Liu, Z. et al.: KAN: Kolmogorov-Arnold Networks. arXiv:2404.19756v4 (2024). [3] Wang, Y. et al.: Kolmogorov–Arnold-Informed neural network: A physics-informed deep learning framework for solving PDEs based on Kolmogorov–Arnold Networks. arXiv:2406.11045v1 (2024).