ارائه روشی کارا جهت طراحی نانوکپسول ها بر پایه یادگیری عمیق

نانوکپسول یکی از مواد مهم در داروسازی است که برای تثبیت ترکیبات حساس دارویی و محافظت از عناصر اصلی آنها در برابر واکنش های زودرس در بدن انسان بکار میرود. دستیابی به بهترین ترکیب برای ساخت و تعیین اندازه نانو کپسول ها یکی ازچالش های محققان میباشد. الگوریتم های یادگیری عمیق روشی برای خودکارسازی مدل تحلیلی است که با کمک الگوریتم های تکرارپذیر از داده ها یاد میگیرند و پارامترهای خود را تنظیم میکنند . ادر ین پژوهش از شبکه پیشرو عمیق(DFF)Deep Feedforward برای مدل سازی رفتار نانوکپسول آلیسین استفاده شده است. بعداز انجام ۱۵ آزمایش، این نانو کپسول تولیدواندازه ذره آن اندازه گیری شده است. این شبکه ی عصبی با۱و۲و۳ لایه پنهان وتعدادنورون های مختلف با داده های گردآوری شده، ساخته شده و خطایMSE هر یک از آنها بدست آمده است. به دلیل کمبود داده های آزمایشگاهی از تکنیکLeave-One-Out برای اساخت ین مدلها استفاده شده است .برای مقایسه، از سیستمFuzzy با تعداد ۱ و۲و ۳و ۴ تابع تعلق گوسی استفاده و خطایMSE آنها با DFF مقایسه شده است . نتایج بدست آمده نشان میدهد که یک شبکه یDFF با ۳ لایه پنهان نتایج بهتری نسبت به دیگر سیستم های پیاده سازی شده فراهم میکند و خطایMSE آن بطور چشم گیری کمتر ازدیگر مدل ها میباشد