خانم بیتا یاراحمدی دانشجوی دکتری شیمی، در تاریخ شنبه ۱۴۰۲/۷/۲۹ از رساله دکتری خودتحت عنوان" مدلسازی، ارزیابی و پیشبینی فاکتور قالبگیری پلیمرهای قالب مولکولی مختلف با استفاده از الگوریتمهای گوناگون یادگیری ماشین" با راهنمایی آقای دکتر سید محمدرضا میلانی حسینی و آقای سید مجید هاشمیانزاده دفاع خواهدکرد. استاد راهنمای اول: آقای دکتر سید محمدرضا میلانی حسینی استاد راهنمای دوم: آقای سید مجید هاشمیانزاده استاد مشاور: آقای دکتر سجاد قرقانی هیات داوران: دکتر فرزانه شمیرانی، دکتر بهشته سهرابی، دکتر علی غفاری نژاد و دکتر طاهر علیزاده این جلسه ساعت ۱۴ تا ۱۶ روز شنبه ۲۹/۷/۱۴۰۲ در اتاق سبز دانشکده شیمی برگزار خواهد شد. چکیده : پلیمر قالب مولکولی[۱] پلیمرهایی با اتصالات عرضی می باشند که نسبت به شکل، ابعاد، نوع و تعداد گروههای عاملی مولکول، الگوی انتخابپذیری نشان میدهند. این پلیمرها در محدوده وسیع pH، دما و همچنین در حلالهای آلی مختلف پایدار میباشند. از کاربردهای تجزیهای پلیمرهای قالب مولکولی میتوان به کاربرد این مواد به عنوان فاز ساکن در کروماتوگرافی مایع، الکتروکروماتوگرافی موئین، استخراج با فاز جامد و میکرواستخراج با فاز جامد اشاره نمود. همچنین این پلیمرهای سنتزی کاربردهای زیادی در ساخت حسگر نوری، حسگر الکترو شیمیایی، نانو حسگرهای زیستی، پزشکی، دارورسانی ، تهیه کاتالیستها و غیره دارد. سنتز و بهینهسازی عملی مورد نیاز جهت تهیه این پلیمرها معایب بسیاری دارد، از جمله نیاز به صرف زمان، صرف هزینه، نیاز به مصرف مواد شیمیایی که برای سلامت انسان و محیط زیست ضرر دارند، نیاز به اپراتور جهت انجام آنالیزها، نیاز به تجهیزات و وسایل آزمایشگاهی و غیره . فاکتور قالبگیری[۲] یک معیار ارزیابی کیفیت قالبگیری است. هرچه مقدار فاکتور قالبگیری بیشتر باشد به این معنا است که قالبگیری با کیفیت بالاتر و بهتر انجام شده است و کاهش این فاکتور نشاندهنده قالبگیری ضعیف میباشد. یادگیری ماشین[۳] امروزه توجه بسیاری از محققان را به خود جلب کرده است و برای پیشبینی متغیرهای مختلف میتوان از آن استفاده کرد. در رابطه با پلیمرهای قالب مولکولی، با استفاده از یادگیری ماشین و مدلسازی میتوان فاکتور قالبگیری را پیشبینی کرد. استفاده از یادگیری ماشین سبب افزایش سرعت، افزایش دقت، کاهش زمان، کاهش چشمگیر هزینهها، عدم نیاز به مصرف ترکیبات شیمیایی و عدم نیاز به تجهیزات و دستگاهها میشود. ما در این پایاننامه با استفاده از یادگیری ماشین موفق به ساخت مدلی با دقت بالا جهت پیشبینی فاکتور قالبگیری پلیمرهای مختلف شدیم. برای مدلسازی از روشهای مختلف انتخاب ویژگی از جمله روش اطلاعات متقابل، همبستگی آماری، کاهش ابعاد، حذف ویژگی بازگشتی، forward selection ، از روشهای اعتبارسنجی از جمله روش اعتبارسنجی آزمایشی- آموزشی و روش اعتبارسنجی K-Fold، همچنین از الگوریتمهای رگرسیون شامل هفت الگوریتم رگرسیون خطی، ستیغی، شبکه الاستیک، درختان تصمیمگیری، Lasso، k نزدیکترین همسایه و ماشین صفحه پشتیبان و چهار الگوریتم کلیت شامل ADA، گرادیان تقویتی، جنگل تصادفی و درختان اضافی استفاده شد. در نتیجه استفاده از پاکسازی دادهها و استفاده از انتخاب ویژگی RFE و الگوریتم گرادیان تقویتی مدلی با دقت ۰.۸۷ % ساختیم. با استفاده از مدل که ورودیهای ان نوع مولکول هدف، نوع مونومر عاملی، ضریب پخش پلیمر قالبگیری شده ، ضریب پخش پلیمر قالبگیری نشده، نوع حلال، حجم حلال و pH میباشد و خروج آن فاکتور قالبگیری است، میتوان با دقت بالا فاکتور قالبگیری را پیشبینی کرد. استفاده از یادگیری ماشین و الگوریتمهای مختلف سبب حذف خطای انسانی در پردازش دادهها میشود و در نتیجه دقت افزایش مییابد. ما برای مدلسازی از مجموعه دادههای مربوط به پلیمرهای قالبگیری شده مختلف استفاده کردیم که طی سالیان متوالی توسط دانشجویان آزمایشگاه تحقیقاتی نمونههای حقیقی جناب آقای دکتر میلانی فراهم شده است. استفاده از تعداد ۱۱۵ نمونه پلیمر مختلف، سبب ایجاد مدلی جامع و کامل شده و این مدل قابلیت استفاده برای پیشبینی فاکتور قالبگیری و شرایط بهینه سنتز پلیمرهای گوناگون را دارد. همچنین به منظور بررسی کارایی پلیمرهای تهیه شده، ارقام شایستگی شامل دقت، حساسیت، محدوده خطی، تکرارپذیری، گزینشپذیری و منحنی کالیبراسیون برای دو پلیمر قالب مولکولی مختلف (ریبوفلاوین و کمپلکس سفالکسین-کادمیم) مورد بررسی قرار گرفت. مطابق نتایج پلیمرها دقت و تکرارپذیری بالایی برای استخراج مولکولهای هدف از خود نشان دادند. کلیدواژهها: یادگیری ماشین،الگوریتمهای رگرسیون،پلیمر قالب مولکولی، الگوریتمهای تقویتی