Инфохимия — это наука, которая изучает процессы химических превращений и взаимодействий в контексте информационных технологий и компьютерных систем. В современном мире инфохимия играет важную роль на рынке производства, обеспечивая эффективность и оптимизацию процессов, повышение качества продукции и безопасность рабочей среды.
Профиль «Инфохимия» посвящен получению и обработке данных химических систем для предсказания их свойств на основе применения алгоритмов машинного обучения.
Одной из ключевых областей применения инфохимии на рынке производства является автоматизация и управление химическими процессами. Использование информационных технологий позволяет контролировать и роботизировать процессы синтеза химических веществ, что приводит к повышению эффективности и уменьшению затрат на производствах. Благодаря инфохимии возможно создание автоматизированных систем управления на основе искусственного интеллекта, которые позволяют контролировать и регулировать анализ сложных химических смесей, обеспечивая стабильное качество продуктов.
I отборочный этап — индивидуальный, проходит дистанционно. Он состоит из предметного и инженерного туров.
В рамках предметного тура участникам предстоит решать задачи по математике, информатике, химии, а также освоить образовательный блок для получения или подтверждения основных требуемых компетенций.
В рамках инженерного тура участники будут индивидуально выполнять задания профиля, связанные со следующими инженерными компетенциями: программирование на Python, знание основ линейной алгебры и математического анализа, знание основ машинного обучения и компьютерного зрения, знание основ материаловедения и физико-химических методов исследования, знание основ органической и неорганической химии, аналитической химии, электрохимии.
II отборочный этап содержит индивидуальные и командные задания, решать их можно только после командообразования.
В рамках второго этапа на онлайн-вебинарах участники познакомятся со следующими темами: введение в инфохимию, основы машинного обучения, физико-химические методы исследования. Курс будет состоять из лекций и практических занятий — набора задач и тестов.
На втором этапе участникам предстоит решать системные химические задачи. Их примерная тематика: физическая химия и теоретические расчеты DFT, условия органического синтеза и расшифровка спектров, инфохимия и самоорганизация молекул, предсказание свойств материалов.
Каждой команде будет предоставлен кейс, который необходимо будет решить в поставленные сроки и представить решение комиссии.
На заключительном этапе участникам в течение 2,5−3 дней предстоит решать комплексную инженерную задачу по инфохимии (химии, математике и программированию), которая связана с созданием модели для предсказания свойств системы (например, токсичности лекарственных препаратов или концентрации спирта в ультразвуковых системах).
Участники создадут искусственную нейронную сеть, которая способна определять концентрацию спирта в водном растворе с использованием данных из изображений кавитационных пузырьков.
Задание разбито на отдельные задачи, которые необходимо распределить между участниками команды в соответствии с их ролями: химик, программист, математик.
Для второго этапа участникам необходимо обладать знаниями и навыками в таких областях, как программирование на Python, основы линейной алгебры и математического анализа, основы машинного обучения и компьютерного зрения, основы материаловедения и физико-химических методов исследования, основы органической и неорганической химии, аналитической химии, электрохимии.
Для решения задачи заключительного этапа участникам необходимо обладать знаниями и навыками в таких областях, как анализ литературы, комплексный подход к решениям сложных задач, написание скриптов на языке Python, использование различных библиотек языков Open CV, NumPy, использование библиотек Python scikit-learn, Azura ML Studio, Weka и др. сервисы, реализующие методы классического машинного обучения, алгоритмы, базы данных, электронные таблицы, подготовка текстов.
Химия (органическая химия, электрохимия, аналитическая химия, физическая химия).
Математика (теория вероятности, линейная алгебра, математический анализ, геометрия).
Программирование (язык программирования Python).
Информатика (использование библиотек, построение моделей, обработка данных).
Знание основ материаловедения и физико-химических методов исследования. Знание основ органической и неорганической химии, аналитической химии, электрохимии. Знание основ программирования на Python. Знание основ линейной алгебры и математического анализа, знание основ машинного обучения и компьютерного зрения. Умение работать в командной строке.
Анализ литературы, комплексный подход к решениям сложных задач, написание скриптов на языке Python, использование различных библиотек языков Open CV, NumPy, использование библиотек Python scikit-learn, Azura ML Studio, Weka и др. сервисы, реализующие методы классического машинного обучения, алгоритмы, базы данных, электронные таблицы, подготовка текстов.
Для участия во втором и заключительном этапах вам понадобится команда из 3 человек.
Роли и необходимые компетенции:
Химик. Основные задачи — построение химической модели кавитационных пузырей в зависимости от содержания водно-спиртовой смеси.
Программист по машинному обучению. Основные задачи — анализ и обработка изображений, построение моделей и классификатора.
Программист-математик. Основные задачи — решение задач по математической обработке кавитационных пузырей и построение базы данных.
Нейронные сети и компьютерное зрение
Введение в Data Science и машинное обучение
Общая и неорганическая химия
Супрамолекулярная химия - В 2-x томах - Том 1
Synthesis of Catalytic Microswimmers
Химия радикально-цепных реакций
Selective Synthesis of Azoloyl NH-1,2,3-Triazoles and Azolyl Diazoketones
Molecular insights into the interaction of 5-fluorouracil and Fe3O4 nanoparticles with beta-casein
Recent Progress of Layer-by-layer Assembly, Free-Standing Film and Hydrogel Based on Polyelectrolytes
Машинное обучение и анализ данных
Квантово-химические расчеты механизмов химических реакций
«Введение в хемоинформатику» в 6 частях
Deep Learning
When Bubbles Are Not Spherical: Artificial Intelligence Analysis of Ultrasonic Cavitation Bubbles in Solutions of Varying Concentrations
Machine learning for soft and liquid molecular materials
Designed assembly and disassembly of DNA in supramolecular structure