ИСТИНА

Благодаря высокой чувствительности фотолюминесценции (ФЛ) к изменению параметров окружающей среды, в том числе, типа и концентрации растворенных ионов, углеродные точки (УТ) имеют широкие перспективы применения в качестве оптических наносенсоров катионов металлов в технологических средах [1]. При создании подобных сенсоров необходимо решить многопараметрическую обратную задачу люминесцентной спектроскопии, заключающуюся в определении концентрации каждого из растворенных ионов в среде по изменению спектров люминесценции УТ, обусловленному взаимодействием УТ с ионами. Линейные модели, такие МРК (многомерное разрешение кривых) и ПЛС (проекция на латентные структуры), не дают необходимое качество предсказаний [2]. Нелинейные модели, превосходя линейные по получаемому качеству предсказания, имеют сложную, многоэкстремальную минимизируемую функцию ошибки. Учитывая большую размерность входных данных, а, значит, и подбираемых весов нейронной сети (НС), градиентные методы склонны к преждевременному схождению в локальные минимумы функции ошибки, что приводит к неполному использованию потенциала НС. Один из путей решения проблемы преждевременной сходимости - использование популяционных методов для обучения НС. В данной работе исследуется возможность применения генетического алгоритма в качестве оптимизатора для решения обратной задачи люминесцентной спектроскопии – определения концентрации каждого из ионов Cu2+ , Ni2+ , Cr3+, (NO3 ) - в воде по спектрам ФЛ УТ – с помощью моделей нейронных сетей. Генетический алгоритм (ГА) - один из наиболее широко используемых популяционных методов. На каждой итерации ГА оперирует набором решений, что позволяет более полно по сравнению с градиентными методами исследовать оптимизируемую функцию и найти наилучшее решение [3]. В настоящей работе представлены результаты применения ГА для подбора весов НС различных архитектур при решении указанной многопараметрической обратной задачи люминесцентной спектроскопии [1]. Проведен сравнительный анализ с классическими методами подбора весов нейронной сети - градиентными методами, который показал большие возможности применения ГА. Исследование выполнено за счёт гранта Российского научного фонда № 22-12-00138, https://rscf.ru/project/22-12-00138/ ; стипендии развития теоретической физики и математики фонда «БАЗИС» №23-2-1-65-1.