Перспективы применения машинного обучения для прогнозирования свойств и условий синтеза тонкопленочных материалов на основе диоксида титана для фотокатализа | Вестник Томского государственного университета. Химия. 2025. № 40. DOI: 10.17223/24135542/40/10

Перспективы применения машинного обучения для прогнозирования свойств и условий синтеза тонкопленочных материалов на основе диоксида титана для фотокатализа

Статья посвящена анализу современных достижений в области применения методов машинного обучения (МО) для решения задачи прогнозирования условий синтеза и свойств тонкопленочных материалов на основе диоксида титана для фотокатализа. Проведенный обзор показывает, что, несмотря на растущий интерес к данной теме, разработанные на сегодняшний день модели МО носят узкоспециализированный характер. Обучение моделей проводится на небольшом наборе экспериментальных данных, что существенно сужает область их практического применения и препятствует созданию универсальных инструментов для дизайна материалов. Основной проблемой является отсутствие комплексных моделей, способных устанавливать сквозные связи в цепочке «условия синтеза - свойства - фотокаталитическая активность» и целостно описывать целенаправленный синтез фотокатализаторов на основе ТiО2 как в тонкопленочном, так и в дисперсном состоянии. Так как итоговая эффективность фотокатализатора определяется в том числе параметрами фотокаталитического процесса, то их учет также затрудняет создание комплексных моделей МО. Для преодоления указанных ограничений в статье обосновывается необходимость создания стандартизированных и структурированных баз данных, которые должны обобщать разрозненные экспериментальные результаты из множества источников, обеспечивая их согласованность и машиночитаемость. Интеграция данных в единые платформы станет фундаментом для разработки более точных и надежных моделей МО, способных ускорить открытие и оптимизацию перспективных фотокаталитических материалов на основе ТiО2. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Ключевые слова

тонкопленочные материалы, диоксид титана, фотокатализатор, машинное обучение, прогнозирование свойств

Авторы

ФИО	Организация	Дополнительно	E-mail
Халипова Ольга Сергеевна	Томский государственный университет	кандидат технических наук, доцент кафедры неорганической химии	chalipova@mail.ru
Кузнецова Светлана Анатольевна	Томский государственный университет	доктор химических наук, доцент, профессор кафедры неорганической химии	onm@chem.tsu.ru

Всего: 2

Ссылки

Jari Y., Najid N., Chaker Necibi M., Gourich B., Vial C., Elhalil A., Kaur P., Mohdeb I., Park Yu., Hwang Yu., Garcia A.R., Roche N., Midaoui A. A comprehensive review on TiO2-based heterogeneous photocatalytic technologies for emerging pollutants removal from water and wastewater: From engineering aspects to modeling approaches // Journal of environmental management. 2025. Vol. 373. Art. 123703.

Sabriantie Mulus D.A., Permana M.D., Deawati Y., Eddy D.R. A current review of TiO2 thin films: synthesis and modification effect to the mechanism and photocatalytic activity // Applied Surface Science Advances. 2025. Vol. 27. Art. 100746.

Radha E., Komaraiah D., Sayanna R., Sivakumar J. Photoluminescence and photocatalytic activity of rare earth ions doped anatase TiO2 thin films // Journal of Luminescence. 2022. Vol. 244. Art. 118727.

Patnaik R.K., Divya N. A brief review on the synthesis of TiO2 thin films and its application in dye degradation // Materials Today: Proceedings. 2023. Vol. 72. P. 2749-2756.

Pant B., Park M., Park S.-J. Recent advances in TiO2 films prepared by sol-gel methods for photocatalytic degradation of organic pollutants and antibacterial activities // Coatings. 2019. Vol. 9. Art. 613.

Albert E., Basa P., Fodor B., Keresztes Z., Madarasz J., Marton P., Olasz D., Racz A.S., Safran G., Szabo T., Tegze B., Holtzl T., Horvolgyi Z. Experimental and computational synthesis of TiO2 sol-gel coatings // Langmuir. 2025. Vol. 41. P. 704-718.

Armakovi S.J., Savanovic M.M., Armakovic S. Titanium dioxide as the most used photo catalyst for water purification: an overview // Catalysts. 2025. Vol. 13. Art. 26.

Chung L., Chen W-F., Koshy P., Sorrell C.C. Effect of Ce-doping on the photocatalytic per formance of TiO2 thin films // Materials Chemistry and Physics. 2017. Vol. 197. P. 236-239.

Hamdi D., Mansouri L., Srivastava V., Sillanpaa M., Bousselmi L. Enhancement of Eu and Ce doped TiO2 thin films photoactivity: Application on Amido Black photodegradation // Inorganic Chemistry Communications. 2021. Vol. 133. Art. 108912.

Kayani Z.N., Riaz M.S., Naseem S. Magnetic and antibacterial studies of sol-gel dip coated Ce doped TiO2 thin films: Influence of Ce contents // Ceramics International. 2020. Vol. 46. P. 381-390.

Curkovic L., Brisevac D., Ljubas D., Mandic V., Gabelica I. Synthesis, characterization, and photocatalytic properties of sol-gel Ce-TiO2 films // Processes. 2024. Vol. 12. Art. 1144.

Lukong V.T., Ukoba K., Jen T.-Ch. Review of self-cleaning TiO2 thin films deposited with spin coating // The International Journal of Advanced Manufacturing Technology. 2022. Vol. 122. P. 3525-3546.

Huang G., Guo Y., Chen Y., Nie Z. Application of Machine Learning in Material Synthesis and Property Prediction // Materials. 2023. Vol. 16. Art. 5977.

Zhang Y., Xu X. Machine learning band gaps of doped-TiO2 photocatalysts from structural and morphological parameters // ACS Omega. 2020. Vol. 5. P. 15344-15352.

Jiang Z. et al. Modeling and experimental studies on adsorption and photocatalytic performance of nitrogen-doped TiO2 prepared via the sol-gel method // Catalysts. 2020. Vol. 10 (12). Art. 1449.

Chen S., Zhang W., Luo R., Zhao Y., Yang Y., Zhang B., Lu Q., Hu B. System energy and band gap prediction of titanium dioxide based on machine learning // Journal of Molecular Structure. 2024. Vol. 1307. Art. 137934.

Ezeakunne C., Lamichhane B., Kattel S.Integrating density functional theory with machine learning for enhanced band gap prediction in metal oxides // Phys. Chem. Chem. Phys. 2025. Vol. 27. P. 5338-5358.

Pellegrino F., Isopescu R., Pellutie L., Sordello F., Rossi A.M., Orte E., Martra G., Hodoroaba V.-D., Maurino V. Machine learning approach for elucidating and predicting the role of synthesis parameters on the shape and size of TiO2 nanoparticles // Scientific Reports. 2020. Vol. 10. Art. 18910.

Demirci S., Sahin D.O., Demirci S. Design of the amorphous/crystalline TiO2 nanocomposites via machine learning for photocatalytic applications // Materials Science in Semiconductor Processing. 2025. Vol. 192. Art. 109460.

Schossler R.T., Ojo S., Jiang Z., Hu J., Yu X. A novel interpretable machine learning model approach for the prediction of TiO2 photocatalytic degradation of air contaminants // Scientific Reports. 2024. Vol. 14. Art. 13070.

Javed M.F., Shahab M.Z., Asif U., Najeh T., Aslam F., Khan M.A.I. Evaluation of machine learning models for predicting TiO2 photocatalytic degradation of air contaminants // Scientific Reports. 2024. Vol. 14. Art. 13688.

Rahmani E., Jafari D., Rahmani H., Kazemi F. Prediction of photocatalytic activity of TiO2 thin films doped by SiO2 using artificial neural network and fuzzy model approach // Recent Innovations in Chemical Engineering. 2017. Vol. 10 (1). P. 59-71.

Abdellatif S., Fathi A., Abdullah K., Hassan M., Khalifa Z. Investigating the variation in the optical properties of TiO2 thin-film utilized in bifacial solar cells using machine learning algorithm // Journal of Photonics for Energy. 2022. Vol. 12 (2). P. 022202-022202.

Kim S.-H., Jeong C. Feasibility of machine learning algorithms for predicting the deformation of anodic titanium films by modulating anodization processes // Materials. 2021. Vol. 14. Art. 1089.

Shozib I.A., Ahmad A., Rahaman M.S.A., Abdul-Rani A.M., Alam M.A., Beheshti M., Taufiqurrahman I. Modelling and optimization of microhardness of electroless Ni-P-TiO2 composite coating based on machine learning approaches and RSM // Journal of Materials Research and Technology. 2021. Vol. 12. P. 1010-1025.