Российский химик разработал простой и эффективный компьютерный алгоритм, который позволяет прогнозировать поведение материалов в ответ на некоторые физические воздействия, например на лазерное излучение. С помощью такого алгоритма можно определить, какая мощность лазера окажется предельной для соединения, и решить, можно ли использовать его в оптических лимитерах – устройствах для защиты от поражения лазерным излучением. При этом предложенный инструмент универсален и может также использоваться на биржах для предсказания стоимости акций. Результаты исследования, поддержанного грантом РНФ, опубликованы в журнале Mendeleev Communications.

Модели прогнозирования применяются в самых разных областях науки и техники, например в химии, физике, инженерном деле, медицине, чтобы ответить на вопросы: «что произойдет в будущем, если в данный момент предпринять некие действия», «что нужно изменить на начальном этапе, чтобы достичь заданных показателей» и подобные. В частности, при создании оптических приборов важно знать, как используемые в них материалы будут реагировать на освещение – например, лазерным излучением – или на нагревание, поскольку такие воздействия могут исказить их свойства и нарушить работу. Однако в процессе поглощения лазерного или какого-либо другого электромагнитного излучения у материала может измениться одновременно несколько взаимосвязанных характеристик, из-за чего предсказать его поведение станет довольно сложно.

Ученый из Института физиологически активных веществ Федерального исследовательского центра проблем химической физики и медицинской химии РАН (Черноголовка) предложил новый алгоритм создания моделей прогнозирования, который, одновременно анализируя различные заданные пользователем характеристики, определяет интересующее ранее неизвестное свойство. Алгоритм уникален своей точностью и возможностью работы с большим количеством параметров, а также способностью к выявлению «выбросов» – элементов, мешающих сходимости к заданным критериям.

Автор протестировал программу на пяти фталоцианиновых красителях – соединениях, используемых в качестве материалов-поглотителей лазерного излучения при терапии рака. Так, в случаях, когда опухоль удаляют с помощью лазера, такие красители вводят пациенту, чтобы врачу было легче выявить новообразование. Кроме того, эти соединения, благодаря своей способности поглощать лазерное излучение, «нацеливают» его на опухоль, делая терапию более эффективной и в тоже время безопасной для здоровых клеток. Протестированный алгоритм также позволил выявить те красители, которые лучше всего поглощают лазерное излучение. Долгие и дорогостоящие эксперименты можно будет заменить использованием разработанного подхода.

В анализ были включены как квантово-химические параметры, так и экспериментальные данные по нелинейно-оптическим свойствам фталоцианинов, полученные в более раннем исследовании в сотрудничестве с Национальным исследовательским университетом «МИЭТ». Опираясь на различные модели прогнозирования, полученные с использованием нового численного алгоритма, специалисты смогут подобрать тот краситель, который будет лучше всего защищать здоровые клетки пациентов при противоопухолевой терапии.

Кроме того, предложенный алгоритм может использоваться при создании других фотопоглощающих материалов: не только для применения в медицине, но и в технике. Например, такие структуры лежат в основе оптических лимитеров – устройств, ограничивающих мощность лазерного излучения. Оптические лимитеры позволяют минимизировать поражение высокоинтенсивным светом, представляющим угрозу для органов зрения, а также сенсорных элементов электроники, в частности, фотодатчиков устройств. Так, самый простой оптический лимитер, имеющий вид тонкой пленки на поверхности стекла, способен предотвратить ослепление пилотов лазерной указкой.

«Предложенный алгоритм может применяться не только в отношении светопоглощающих материалов, но и для создания экономических и финансовых прогнозов, например, на биржах, когда требуется предсказать будущую цену акций, опираясь на данные торгов в прошлом. Подобных моделей множество, и это еще один пример. Тем не менее, развитие представленного подхода позволит существенно сократить статистическую и систематическую ошибку предсказания», – рассказывает автор проекта, поддержанного грантом РНФ, Александр Толбин, доктор химических наук, профессор РАН, главный научный сотрудник Института физиологически активных веществ РАН.

Источник: пресс-служба РНФ.