Уважаемые коллеги, предлагаем ознакомиться с инструкцией по оформлению тезисов:

Тезисы подаются через специальную форму, которая находится на странице «Мои заявки» в личном профиле и будет доступна после завершения подачи заявки на участие в качестве Автора.

Обращаем Ваше внимание, что при написании текста в LaTeX НЕ следует добавлять какое-либо форматирование текста (формат шрифта или иные параметры, касающиеся его отображения), это приведёт в некорректному отображению Ваших тезисов.

1. В окно добавления тезисов вставляется только текст самих тезисов.
2. Объем тезисов: 1-2 страницы (до 5000 печатных знаков включая пробелы и список литературы).
3. Для оформления тезисов, которые предполагают наличие математических формул, должна использоваться система компьютерной верстки ТеХ. В этом случае после окна добавления тезисов необходимо поставить галочку «Я использую ТеХ», только тогда система будет воспринимать специальные символы и команды ТеХ.
4. Список литературы оформляется в алфавитном порядке по фамилии автора, сначала русскоязычная литература, затем иностранная, далее интернет-сайты. В тексте тезисов должны присутствовать ссылки на все источники из списка литературы. Ссылки в тексте тезисов оформляются в виде [n1], [n1, n2, …], где n1, n2 — номера источников в списке литературы.
   Образцы оформления списка литературы для тезисов представлены здесь.
   Внимание! Строки в списке литературы нумеруются автоматически, поэтому самостоятельно нумеровать список литературы НЕ нужно. Переход на новый пункт списка производится нажатием клавиши «Enter».
5. Примечания и цитаты оформляются по правилам гарвардской системы цитирования: в тексте в скобках приводятся фамилия цитируемого автора (или фамилия первого автора, если авторов несколько), год издания и страница, а в Списке источников и литературы в конце работы приводятся все источники и публикации в алфавитном порядке. Интернет-публикации описываются по правилам ГОСТа и цитируются, согласно с общими правилами (по автору, названию с экрана).
6. Изображения загружаются файлам формата jpg и png после вставки текста тезисов.

Обращаем Ваше внимание, что в случае значительного отклонения электронного варианта от указанных рекомендаций, Оргкомитет оставляет за собой право не рассматривать поступившие тезисы.

Соавторов Вы можете указать также при заполнении полей тезисов.

ПРИМЕР ОФОРМЛЕНИЯ ТЕЗИСОВ:

Изучение углеводородов методом машинного обучения

Иванов Иван Андреевич

Старший преподаватель

Московский государственный университет имени М.В.Ломоносова, 

химический факультет, Москва, Россия

E–mail: ivanov@yandex.ru

     В последние годы методы машинного обучения приобретают все большую популярность в области изучения углеводородов, благодаря своей способности обрабатывать и анализировать большие объемы данных. Одним из преимуществ использования методов машинного обучения в изучении углеводородов является возможность автоматизации процессов анализа и классификации углеводородов. Например, с помощью методов кластерного анализа можно классифицировать углеводороды по их структуре и свойствам, что позволяет более эффективно организовать и анализировать большие объемы данных.

продолжение основного текста тезисов

     Изучение углеводородов методом машинного обучения представляет собой мощный инструмент для оптимизации процессов добычи, переработки и использования углеводородных ресурсов. Методы машинного обучения позволяют эффективно обрабатывать и анализировать большие объемы данных, разрабатывать модели предсказания свойств и реакций углеводородов, автоматизировать процессы анализа и классификации углеводородов, а также открывать новые перспективы в изучении углеводородов. 

Литература

1. Лебедев А. В., Лебедев С. А. Машинное обучение в химии и биологии. - Москва: Физматлит, 2019.
2. Медведев Н. Г., Старовойтов Е. И. Машинное обучение в химии. - Москва: Наука, 2018.
3. Brown, D. E. (2015). Machine learning for chemoinformatics. CRC Press.
4. Rupp, M., Tkatchenko, A., Müller, K. R., & von Lilienfeld, O. A. (2012). Fast and accurate modeling of molecular atomization energies with machine learning. Physical Review Letters, 108(5), 058301.
5. Goh, G. B., Hodas, N. O., & Vishnu, A. (2017). Deep learning for computational chemistry. Journal of Computational Chemistry, 38(16), 1291-1307.