Дорогие друзья!
🎉 Поздравляем вас с прошедшим Днем науки и 300-летием Российской академии наук!
👨🔬👩🔬 Желаем успехов всем, кто подал заявки на молодежные конкурсы РНФ Президентской программы исследовательских проектов.
Рады сообщить, что после небольшого перерыва мы возвращаемся к работе нашего телеграм-канала.
🎉 Поздравляем вас с прошедшим Днем науки и 300-летием Российской академии наук!
👨🔬👩🔬 Желаем успехов всем, кто подал заявки на молодежные конкурсы РНФ Президентской программы исследовательских проектов.
Рады сообщить, что после небольшого перерыва мы возвращаемся к работе нашего телеграм-канала.
💧Открываем будущее чистой воды: Перспективы ИИ в дезинфекции воды
Передовые исследования показывают, как искусственный интеллект повышает безопасность и доступность воды
В эпоху, когда чистая вода имеет первостепенное значение, недавнее исследование, проведенное экспертами из Tongji University (Shanghai), раскрыло передовое применение искусственного интеллекта (ИИ) в процессах дезинфекции воды и сточных вод. Этот инновационный подход не только обещает повысить эффективность методов дезинфекции, но и значительно снизить образование вредных побочных продуктов, а также точно предсказывать отходы дезинфекции, обеспечивая безопасную воду для всех.
Очистка воды необходима для уничтожения патогенов и загрязнителей, но традиционные методы сталкивались с переменным качеством воды и образованием побочных продуктов дезинфекции. Это исследование подчеркивает, как ИИ может адаптироваться к этим вызовам в реальном времени, предлагая точное и динамичное решение, которого лишены традиционные модели. Интегрируя ИИ, мы теперь можем предвидеть и контролировать качество воды более эффективно, защищая наше здоровье и окружающую среду.
Исследователи использовали различные технологии ИИ, причем системы на основе нечеткой логики вышли вперед за их исключительный контроль в процессах дезинфекции. Совместная работа нескольких моделей ИИ увеличивает эффективность решения проблемы снижения побочных продуктов дезинфекции и отходов. "Интеграция ИИ в дезинфекцию воды - это не просто улучшение; это трансформация, которая переопределяет возможности," объясняют авторы работы, отмечая потенциал ИИ адаптироваться и реагировать на сложные требования к очистке воды.
🚰 По мере того как научное сообщество продолжает исследовать огромный потенциал ИИ, эта работа открывает новые направления для исследований и разработки технологий, стремясь к будущему, где чистая вода доступна и безопасна для всех.
📌 Ссылка на публикацию
Передовые исследования показывают, как искусственный интеллект повышает безопасность и доступность воды
В эпоху, когда чистая вода имеет первостепенное значение, недавнее исследование, проведенное экспертами из Tongji University (Shanghai), раскрыло передовое применение искусственного интеллекта (ИИ) в процессах дезинфекции воды и сточных вод. Этот инновационный подход не только обещает повысить эффективность методов дезинфекции, но и значительно снизить образование вредных побочных продуктов, а также точно предсказывать отходы дезинфекции, обеспечивая безопасную воду для всех.
Очистка воды необходима для уничтожения патогенов и загрязнителей, но традиционные методы сталкивались с переменным качеством воды и образованием побочных продуктов дезинфекции. Это исследование подчеркивает, как ИИ может адаптироваться к этим вызовам в реальном времени, предлагая точное и динамичное решение, которого лишены традиционные модели. Интегрируя ИИ, мы теперь можем предвидеть и контролировать качество воды более эффективно, защищая наше здоровье и окружающую среду.
Исследователи использовали различные технологии ИИ, причем системы на основе нечеткой логики вышли вперед за их исключительный контроль в процессах дезинфекции. Совместная работа нескольких моделей ИИ увеличивает эффективность решения проблемы снижения побочных продуктов дезинфекции и отходов. "Интеграция ИИ в дезинфекцию воды - это не просто улучшение; это трансформация, которая переопределяет возможности," объясняют авторы работы, отмечая потенциал ИИ адаптироваться и реагировать на сложные требования к очистке воды.
🚰 По мере того как научное сообщество продолжает исследовать огромный потенциал ИИ, эта работа открывает новые направления для исследований и разработки технологий, стремясь к будущему, где чистая вода доступна и безопасна для всех.
📌 Ссылка на публикацию
Качественный прорыв в идентификации соединений благодаря сверхбыстрому методу сопоставления спектров
⚡Ускорение научных открытий с новой технологией FastEI
В мире, где скорость и точность исследований имеет определяющее значение, команда ученых представила прогрессивный подход для идентификации химических соединений. Новый метод, названный FastEI, использует многомиллионную библиотеку спектров для сверхбыстрого и точного сопоставления, значительно превосходя существующие технологии.
💫 FastEI решает давние проблемы идентификации соединений в масс-спектрометрии, обеспечивая скорость и точность, недостижимые ранее. Этот метод открывает новые горизонты в биохимии, медицине и экологии, позволяя ученым быстрее делать открытия и разрабатывать новые лекарства.
FastEI демонстрирует впечатляющую эффективность, достигая точности в 80,4% при сопоставлении 10 лучших результатов и увеличивая скорость анализа в сотни раз по сравнению с традиционными методами. Этот подход позволяет идентифицировать соединения, которые ранее были недоступны из-за ограничений существующих библиотек спектров.
🧐 FastEI, представляющий собой готовое к использованию программное обеспечение, делает передовые научные исследования доступными для широкого круга специалистов без глубоких знаний в программировании. Это открывает возможности для ускорения научных исследований и разработки новых лекарственных средств, делая масс-спектрометрию более доступной и эффективной.
Разработчики FastEI видят большой потенциал в дальнейшем расширении библиотеки спектров и улучшении алгоритмов обработки данных, что обещает еще большее ускорение и точность идентификации химических соединений в будущем.
📌 Публикация: Yang Q., et al. Ultra-fast and accurate electron ionization mass spectrum matching for compound identification with million-scale in-silico library. Nat. Commun. 2023, 14, 3722.
⚡Ускорение научных открытий с новой технологией FastEI
В мире, где скорость и точность исследований имеет определяющее значение, команда ученых представила прогрессивный подход для идентификации химических соединений. Новый метод, названный FastEI, использует многомиллионную библиотеку спектров для сверхбыстрого и точного сопоставления, значительно превосходя существующие технологии.
💫 FastEI решает давние проблемы идентификации соединений в масс-спектрометрии, обеспечивая скорость и точность, недостижимые ранее. Этот метод открывает новые горизонты в биохимии, медицине и экологии, позволяя ученым быстрее делать открытия и разрабатывать новые лекарства.
FastEI демонстрирует впечатляющую эффективность, достигая точности в 80,4% при сопоставлении 10 лучших результатов и увеличивая скорость анализа в сотни раз по сравнению с традиционными методами. Этот подход позволяет идентифицировать соединения, которые ранее были недоступны из-за ограничений существующих библиотек спектров.
🧐 FastEI, представляющий собой готовое к использованию программное обеспечение, делает передовые научные исследования доступными для широкого круга специалистов без глубоких знаний в программировании. Это открывает возможности для ускорения научных исследований и разработки новых лекарственных средств, делая масс-спектрометрию более доступной и эффективной.
Разработчики FastEI видят большой потенциал в дальнейшем расширении библиотеки спектров и улучшении алгоритмов обработки данных, что обещает еще большее ускорение и точность идентификации химических соединений в будущем.
📌 Публикация: Yang Q., et al. Ultra-fast and accurate electron ionization mass spectrum matching for compound identification with million-scale in-silico library. Nat. Commun. 2023, 14, 3722.
Nature
Ultra-fast and accurate electron ionization mass spectrum matching for compound identification with million-scale in-silico library
Nature Communications - Accuracy loss and slow speed affect the identification of compounds through matching of mass spectra using a large-scale spectral library. Here the authors use Word2vec...
🦠 Идентификация бактерий: взаимодействие машинного обучения и масс-спектрометрии
Новая модель достигает более 99% точности в определении видов бактерий
Ученые достигли значительного прогресса в области оценки биологических угроз, используя алгоритмы машинного обучения для классификации бактерий с исключительной точностью. Применение подхода с двумерной тандемной масс-спектрометрией (2D MS/MS) предоставляет быстрое и надежное решение, которое может преобразить области микробиологии и контроля инфекционных заболеваний.
🧫 Исследователи успешно классифицировали различные виды бактерий, анализируя их липидные профили с помощью модифицированного масс-спектрометра, достигнув беспрецедентной точности классификации более 99%. Этот метод выделяется своей скоростью, простотой и минимальными требованиями к подготовке образцов. "Наша работа не только демонстрирует синергию между аналитической химией и искусственным интеллектом, но и открывает новые пути для обнаружения биоугроз и эпидемиологического надзора," отметил ведущий исследователь.
💫 В исследовании использовался модифицированный линейный квадрупольный масс-спектрометр с ионной ловушкой, усовершенствованный возможностями 2D MS/MS. Виды бактерий определяли на уровне липидов с помощью моделей машинного обучения, включая метод случайного леса, метод k-ближайших соседей, многослойный персептрон и сверточные нейронные сети. Исследовательская группа изучает применение этой технологии в портативных устройствах для полевого использования, что еще больше повысит ее практическую ценность в реальных условиях мониторинга окружающей среды.
Это исследование связывает аналитическую химию и вычислительную биологию, предлагая быстрый, точный и доступный метод для классификации бактерий. В перспективе он поможет своевременно выявить и нейтрализовать биологические угрозы.
📌 Публикация: Gonzalez, L. E. et al. Machine-Learning Classification of Bacteria Using Two-Dimensional Tandem Mass Spectrometry. Anal. Chem. 2023, 95, 17082-17088.
Новая модель достигает более 99% точности в определении видов бактерий
Ученые достигли значительного прогресса в области оценки биологических угроз, используя алгоритмы машинного обучения для классификации бактерий с исключительной точностью. Применение подхода с двумерной тандемной масс-спектрометрией (2D MS/MS) предоставляет быстрое и надежное решение, которое может преобразить области микробиологии и контроля инфекционных заболеваний.
🧫 Исследователи успешно классифицировали различные виды бактерий, анализируя их липидные профили с помощью модифицированного масс-спектрометра, достигнув беспрецедентной точности классификации более 99%. Этот метод выделяется своей скоростью, простотой и минимальными требованиями к подготовке образцов. "Наша работа не только демонстрирует синергию между аналитической химией и искусственным интеллектом, но и открывает новые пути для обнаружения биоугроз и эпидемиологического надзора," отметил ведущий исследователь.
💫 В исследовании использовался модифицированный линейный квадрупольный масс-спектрометр с ионной ловушкой, усовершенствованный возможностями 2D MS/MS. Виды бактерий определяли на уровне липидов с помощью моделей машинного обучения, включая метод случайного леса, метод k-ближайших соседей, многослойный персептрон и сверточные нейронные сети. Исследовательская группа изучает применение этой технологии в портативных устройствах для полевого использования, что еще больше повысит ее практическую ценность в реальных условиях мониторинга окружающей среды.
Это исследование связывает аналитическую химию и вычислительную биологию, предлагая быстрый, точный и доступный метод для классификации бактерий. В перспективе он поможет своевременно выявить и нейтрализовать биологические угрозы.
📌 Публикация: Gonzalez, L. E. et al. Machine-Learning Classification of Bacteria Using Two-Dimensional Tandem Mass Spectrometry. Anal. Chem. 2023, 95, 17082-17088.
✏ Планирование химических реакций с помощью ChatGPT
Языковая модель ChatGPT помогает оптимизировать синтетические методики
Значительного улучшения в автоматическом создании синтетических матриц для оптимизации или открытия новых реакций присоединения удалось достичь с использованием большой языковой модели ChatGPT и управляющего программного обеспечения phactor. Последовательное применение ChatGPT и phactor привело к успешному подбору условий реакций, применяемых в фармацевтических исследованиях.
💡 Эта работа показывает, какое влияние могут оказать большие языковые модели в сочетании с высокопроизводительными исследованиями на применяемые синтетические практики. Простые промпты для ChatGPT, которые легко могут быть сформулированы неспециалистами, позволяют подбирать эффективные условия реакций.
Предложенный автоматизированный процесс был опробован на нескольких простых реакциях: присоединение амидов, реакция кросс-сочетания Сузуки, реакция Бухвальда-Хартвига. При этом на основе запроса моделью ChatGPT были предложены методики проведения реакций для различных пар субстратов. Желаемые продукты были получены в каждом случае с первой попытки, изолированные выходы составили 62-94%.
🗂 Обученная на массиве научной литературы ChatGPT была использована для автоматического поиска субстратов и создания синтетической матрицы для реакций кросс-сочетания. Предложенный дизайн эксперимента был переведен с помощью алгоритма на языке Python для последующей обработки управляющим программным обеспечением phactor. Далее phactor создает синтетические матрицы, пользователь вручную или автоматически готовит растворы, проводит эксперименты в луночных планшетах и анализирует полученные результаты.
Разработка автоматизированного поиска оптимальных синтетических методик в перспективе позволит сократить время на открытие и дизайн новых соединений, включая лекарственные субстанции.
📌 Публикация: B. Mahjour, et al. Org. Process Res. Dev. 2023, 27, 1510−1516.
Языковая модель ChatGPT помогает оптимизировать синтетические методики
Значительного улучшения в автоматическом создании синтетических матриц для оптимизации или открытия новых реакций присоединения удалось достичь с использованием большой языковой модели ChatGPT и управляющего программного обеспечения phactor. Последовательное применение ChatGPT и phactor привело к успешному подбору условий реакций, применяемых в фармацевтических исследованиях.
💡 Эта работа показывает, какое влияние могут оказать большие языковые модели в сочетании с высокопроизводительными исследованиями на применяемые синтетические практики. Простые промпты для ChatGPT, которые легко могут быть сформулированы неспециалистами, позволяют подбирать эффективные условия реакций.
Предложенный автоматизированный процесс был опробован на нескольких простых реакциях: присоединение амидов, реакция кросс-сочетания Сузуки, реакция Бухвальда-Хартвига. При этом на основе запроса моделью ChatGPT были предложены методики проведения реакций для различных пар субстратов. Желаемые продукты были получены в каждом случае с первой попытки, изолированные выходы составили 62-94%.
🗂 Обученная на массиве научной литературы ChatGPT была использована для автоматического поиска субстратов и создания синтетической матрицы для реакций кросс-сочетания. Предложенный дизайн эксперимента был переведен с помощью алгоритма на языке Python для последующей обработки управляющим программным обеспечением phactor. Далее phactor создает синтетические матрицы, пользователь вручную или автоматически готовит растворы, проводит эксперименты в луночных планшетах и анализирует полученные результаты.
Разработка автоматизированного поиска оптимальных синтетических методик в перспективе позволит сократить время на открытие и дизайн новых соединений, включая лекарственные субстанции.
📌 Публикация: B. Mahjour, et al. Org. Process Res. Dev. 2023, 27, 1510−1516.
🌐 Идентификация происхождения кофе с помощью машинного обучения
Комбинация масс-спектрометрии и глубокого обучения позволяет классифицировать кофейные зерна на основе анализа аромата кофе
☕ Разработан быстрый, недеструктивный и производительный метод для установления происхождения кофейного сырья. Предложенный подход с использованием масс-спектрометрии летучих соединений кофе и алгоритмов машинного обучения обеспечивает работу в автоматическом режиме и не требует предварительной пробоподготовки, позволяя неспециалистам проводить оценку подлинности продукции в режиме реального времени.
Доступная кофейная продукция обладает различными ароматом, вкусом, географическим происхождением и ценой. Существующие методы анализа кофе включают длительную трудоемкую пробоподготовку в виде экстракции активных компонентов с ограниченной эффективность обнаружения.
В исследовании предложена методика для классификации кофе с помощью масс-спектрометрии с ионизацией коронного разряда газового аналита – летучих компонентов кофейных зерен. Для обеспечения высокой производительности было разработано устройство отбора проб с воздушной завесой для предотвращения смешивания летучих веществ разных образцов.
📊 Полученные аналитические данные обработаны специальным алгоритмом глубокого обучения для автоматической идентификации происхождения кофе. Алгоритм не только выделяет значимые пики в спектре, сокращая вдвое вводные данные, но также снижает интерференцию и «шумы». Достигнута точность классификации в 99,78% на примере 6 сортов кофе с производительностью 1 образец в секунду.
Простой в работе, быстрый и высокоточный метод, предложенный в исследовании, поможет обеспечить подлинность продукции и предотвратить фальсификацию кофе.
📌 Публикация: Yang, H. et al. Rapid classification of coffee origin by combining mass spectrometry analysis of coffee aroma with deep learning. Food Chem. 2024, 446, 138811.
Комбинация масс-спектрометрии и глубокого обучения позволяет классифицировать кофейные зерна на основе анализа аромата кофе
☕ Разработан быстрый, недеструктивный и производительный метод для установления происхождения кофейного сырья. Предложенный подход с использованием масс-спектрометрии летучих соединений кофе и алгоритмов машинного обучения обеспечивает работу в автоматическом режиме и не требует предварительной пробоподготовки, позволяя неспециалистам проводить оценку подлинности продукции в режиме реального времени.
Доступная кофейная продукция обладает различными ароматом, вкусом, географическим происхождением и ценой. Существующие методы анализа кофе включают длительную трудоемкую пробоподготовку в виде экстракции активных компонентов с ограниченной эффективность обнаружения.
В исследовании предложена методика для классификации кофе с помощью масс-спектрометрии с ионизацией коронного разряда газового аналита – летучих компонентов кофейных зерен. Для обеспечения высокой производительности было разработано устройство отбора проб с воздушной завесой для предотвращения смешивания летучих веществ разных образцов.
📊 Полученные аналитические данные обработаны специальным алгоритмом глубокого обучения для автоматической идентификации происхождения кофе. Алгоритм не только выделяет значимые пики в спектре, сокращая вдвое вводные данные, но также снижает интерференцию и «шумы». Достигнута точность классификации в 99,78% на примере 6 сортов кофе с производительностью 1 образец в секунду.
Простой в работе, быстрый и высокоточный метод, предложенный в исследовании, поможет обеспечить подлинность продукции и предотвратить фальсификацию кофе.
📌 Публикация: Yang, H. et al. Rapid classification of coffee origin by combining mass spectrometry analysis of coffee aroma with deep learning. Food Chem. 2024, 446, 138811.
💎 Предсказание кристаллической структуры органических соединений с помощью нейросетей
Глубокое машинное обучение повышает скорость и точность прогнозирования в области кристаллографии
⌛ Совместное использование генеративно-состязательной и графовой сверточной нейросетей ускоряет процесс предсказания кристаллической структуры органических соединений до нескольких минут. Эти 2 алгоритма выполняют функции генерации и классификации кристаллических структур, достигая точности свыше 80% при проверке методики на примере лекарственных препаратов.
Высокая стоимость прогнозирования кристаллической структуры методами квантовой механики ограничивает его широкое применение. Для снижения вычислительных затрат предложена методика на основе глубокого машинного обучения.
💠 На основании 177 746 записей данных из кэмбриджской базы (Cambridge Crystal Structure Database) спроектирована генеративно-состязательная нейросеть для создания пробных кристаллических структур при выбранных ограничениях свойств для данной молекулы. Модель графовой сверточной сети предсказывает плотность стабильных кристаллических структур пробных соединений. Далее на основании предсказанной плотности следуют этапы отбора и ранжирования пробных структур, таким образом достигается высокая скорость предсказания.
Комбинация предложенных алгоритмов снижает вычислительные затраты в десятки тысяч раз, а вычислительная скорость методики с использованием глубокого обучения демонстрирует высокий потенциал искусственного интеллекта в области высокоточного предсказания кристаллической структуры.
📌 Публикация: Ye, Zh. et al. Organic crystal structure prediction via coupled generative adversarial networks and graph convolutional networks. The Innovation 2024, 5(2), 100562.
Глубокое машинное обучение повышает скорость и точность прогнозирования в области кристаллографии
⌛ Совместное использование генеративно-состязательной и графовой сверточной нейросетей ускоряет процесс предсказания кристаллической структуры органических соединений до нескольких минут. Эти 2 алгоритма выполняют функции генерации и классификации кристаллических структур, достигая точности свыше 80% при проверке методики на примере лекарственных препаратов.
Высокая стоимость прогнозирования кристаллической структуры методами квантовой механики ограничивает его широкое применение. Для снижения вычислительных затрат предложена методика на основе глубокого машинного обучения.
💠 На основании 177 746 записей данных из кэмбриджской базы (Cambridge Crystal Structure Database) спроектирована генеративно-состязательная нейросеть для создания пробных кристаллических структур при выбранных ограничениях свойств для данной молекулы. Модель графовой сверточной сети предсказывает плотность стабильных кристаллических структур пробных соединений. Далее на основании предсказанной плотности следуют этапы отбора и ранжирования пробных структур, таким образом достигается высокая скорость предсказания.
Комбинация предложенных алгоритмов снижает вычислительные затраты в десятки тысяч раз, а вычислительная скорость методики с использованием глубокого обучения демонстрирует высокий потенциал искусственного интеллекта в области высокоточного предсказания кристаллической структуры.
📌 Публикация: Ye, Zh. et al. Organic crystal structure prediction via coupled generative adversarial networks and graph convolutional networks. The Innovation 2024, 5(2), 100562.
Вакансии по проекту "Цифровая химия" в ИОХ РАН:
Руководитель группы ИИ проекта:
https://hh.ru/vacancy/98117035
Сотрудник ИИ проекта:
https://hh.ru/vacancy/98116813
Присоединяйтесь к нашей команде! По вопросам пишите alab@ioc.ac.ru
Просьба сделать репост и рассказать коллегам
Руководитель группы ИИ проекта:
https://hh.ru/vacancy/98117035
Сотрудник ИИ проекта:
https://hh.ru/vacancy/98116813
Присоединяйтесь к нашей команде! По вопросам пишите alab@ioc.ac.ru
Просьба сделать репост и рассказать коллегам
hh.ru
Вакансия Руководитель группы по искусственному интеллекту в области химии в Москве, работа в компании Федеральное государственное…
Зарплата: от 120000 до 200000 ₽. Москва. Требуемый опыт: 3–6 лет. Полная занятость. Дата публикации: 28.04.2024.
⚡ 20 технологий ИИ, которые меняют химию
Самые влиятельные технологии цифровой химии, меняющие облик современной химической науки
📊 В обзоре применен аналитический подход для описания роли искусственного интеллекта в химии. 20 технологий, основанных на ИИ, собраны в 7 объемных тем. Цифровые технологии, в частности машинное обучение, глубокое обучение и анализ «больших данных», наряду с другими современными технологиями предлагают новые возможности для развития и становятся ключевыми для прогресса химической науки.
От развития методов зеленой химии и отслеживания цепочек поставок химикатов до ускорения открытий новых лекарственных препаратов и инновационных методик лечения простираются задачи интеграции цифровых технологий и химии. Преобразующему влиянию искусственного интеллекта подвержена не только научная часть, но и образовательная, промышленная, а в конечном итоге трансформируется повседневная жизнь людей.
Тем не менее, развитие цифровых технологий, призванных облегчить и ускорить прогресс науки, на современном этапе развития химии ставит новые вызовы перед учеными, преподавателями и отраслевыми специалистами. Внедрение новых технологий подготовит будущих химиков к решению наиболее острых проблем современности.
📌 Публикация: V. P. Ananikov, Top 20 Influential AI-Based Technologies in Chemistry, 2024.
Самые влиятельные технологии цифровой химии, меняющие облик современной химической науки
📊 В обзоре применен аналитический подход для описания роли искусственного интеллекта в химии. 20 технологий, основанных на ИИ, собраны в 7 объемных тем. Цифровые технологии, в частности машинное обучение, глубокое обучение и анализ «больших данных», наряду с другими современными технологиями предлагают новые возможности для развития и становятся ключевыми для прогресса химической науки.
От развития методов зеленой химии и отслеживания цепочек поставок химикатов до ускорения открытий новых лекарственных препаратов и инновационных методик лечения простираются задачи интеграции цифровых технологий и химии. Преобразующему влиянию искусственного интеллекта подвержена не только научная часть, но и образовательная, промышленная, а в конечном итоге трансформируется повседневная жизнь людей.
Тем не менее, развитие цифровых технологий, призванных облегчить и ускорить прогресс науки, на современном этапе развития химии ставит новые вызовы перед учеными, преподавателями и отраслевыми специалистами. Внедрение новых технологий подготовит будущих химиков к решению наиболее острых проблем современности.
📌 Публикация: V. P. Ananikov, Top 20 Influential AI-Based Technologies in Chemistry, 2024.
Вакансия - Руководитель направления машинного обучения (искусственный интеллект)
250 000 - 350 000 ₽
Совместный проект ТулГУ и ИОХ РАН
Мы ищем активно развивающегося специалиста в области машинного обучения, готового возглавить проект по внедрению цифровых технологий и машинного обучения в химико-биологические исследования. Проект осуществляется совместно Институтом органической химии им. Н.Д. Зелинского РАН (ИОХ РАН) и Тульским Государственным Университетом (ТулГУ). Очный трудовой договор с ТулГУ и дистанционная работа по совместительству в ИОХ РАН.
Подробнее: https://hh.ru/vacancy/98437264
250 000 - 350 000 ₽
Совместный проект ТулГУ и ИОХ РАН
Мы ищем активно развивающегося специалиста в области машинного обучения, готового возглавить проект по внедрению цифровых технологий и машинного обучения в химико-биологические исследования. Проект осуществляется совместно Институтом органической химии им. Н.Д. Зелинского РАН (ИОХ РАН) и Тульским Государственным Университетом (ТулГУ). Очный трудовой договор с ТулГУ и дистанционная работа по совместительству в ИОХ РАН.
Подробнее: https://hh.ru/vacancy/98437264
hh.ru
Вакансия Руководитель направления машинного обучения (искусственный интеллект) в Москве, работа в компании Федеральное государственное…
Зарплата: от 250000 до 350000 ₽. Москва. Требуемый опыт: более 6 лет. Полная занятость. Дата публикации: 06.05.2024.
🎥 Видеозапись лекции “Искусственный интеллект в химии” и дискуссия на семинаре по ИИ
Автор лекции: @ananikovlab
✏ Лекция включает в себя разделы:
• Глобальный химический ландшафт
___ Роль химической науки, технологий и химической промышленности
___ Катализ в устойчивом развитии человечества
• Готовность и востребованность цифровых технологий в химии
___ Почему механизмы химических реакций сложно изучать?
___ Наука и искусство: много данных, исследований, гипотез и интуиции
• Цифровой катализ
___ Концепция полностью определенного катализа (Totally Defined Catalysis)
___ Концепция 4D-катализа (4D Catalysis)
___ Перспективы цифровых технологий в катализе
• Ключевые области приложения ИИ в химии
• Выводы и направления развития
Приглашаем всех к активной дискуссии по развитию цифровых проектов и ИИ-приложений в современной науке. Какие проекты самые актуальные и для каких проектов имеются ресурсы? На что надо обратить внимание при развитии ИИ проектов в науке?
⚡ Просьба сделать репост этого сообщения.
Автор лекции: @ananikovlab
✏ Лекция включает в себя разделы:
• Глобальный химический ландшафт
___ Роль химической науки, технологий и химической промышленности
___ Катализ в устойчивом развитии человечества
• Готовность и востребованность цифровых технологий в химии
___ Почему механизмы химических реакций сложно изучать?
___ Наука и искусство: много данных, исследований, гипотез и интуиции
• Цифровой катализ
___ Концепция полностью определенного катализа (Totally Defined Catalysis)
___ Концепция 4D-катализа (4D Catalysis)
___ Перспективы цифровых технологий в катализе
• Ключевые области приложения ИИ в химии
• Выводы и направления развития
Приглашаем всех к активной дискуссии по развитию цифровых проектов и ИИ-приложений в современной науке. Какие проекты самые актуальные и для каких проектов имеются ресурсы? На что надо обратить внимание при развитии ИИ проектов в науке?
⚡ Просьба сделать репост этого сообщения.
YouTube
Большой Семинар AIRI