Искусственный интеллект становится мощным инструментом для ученых, в том числе химиков. При правильном применении он может ускорить проведение научных исследований. Кроме того, в отличие от автоматизированной обработки данных, существовавшей еще в прошлом веке, ИИ работает с огромными объемами информации, выявляя скрытые закономерности, которые невозможно обнаружить традиционными методами.
Это особенно важно в изучении ионных соединений — классе веществ, состоящих из катионов и анионов, структура которых влияет на свойства конечных материалов. Поиск корреляций между строением вещества и его макросвойствами — одно из ключевых фундаментальных направлений в химии. Универсальные закономерности пока не установлены, однако применение ИИ может значительно ускорить процесс.
Ионные соединения используются в самых разных областях: от медицины и биологии (антисептики) до органического синтеза (катализаторы) и электрохимии (электролиты для аккумуляторов). Возможность тонкой настройки свойств за счет небольших структурных модификаций делает их перспективными для создания новых материалов.
Особенность ионных соединений заключается в их способности к самоорганизации на микронном уровне. Мы полагаем, что микродоменная природа ионных соединений влияет на их макросвойства. Для изучения этого влияния нам помогают методы машинного обучения. Самоорганизация ионных соединений обусловлена различными силами, включая электростатические взаимодействия, стерические эффекты и π-π-стэкинг. Хотя уже существуют методы управления этим процессом, его механизмы до конца не изучены. Понимание закономерностей самоорганизации позволит более точно регулировать свойства материалов.
Искусственный интеллект в химии применяется на всех этапах исследований: от планирования экспериментов и сбора данных до анализа и предсказания свойств соединений. Один из наиболее ярких примеров — нейросеть AlphaFold, предсказывающая трехмерную структуру белков по известной последовательности аминокислотных остатков. Речь идет о сложной многофакторной системе — задаче, которая долгое время оставалась нерешенной. Именно поэтому руководители разработки AlphaFold Демис Хассабис и Джон Джампер были удостоены Нобелевской премии по химии 2024 года за использование нейросети для предсказания в области укладки белков.
С каждым годом количество статей об использовании искусственного интеллекта в химии увеличивается в геометрической прогрессии, появляется все больше исследовательских групп, использующих новые методы. Об этом важно говорить, поскольку зачастую ученые «варятся» в своей области и даже не задумываются, что можно взглянуть на задачу по-другому.
В нашей лаборатории ИИ значительно ускорил обработку данных. Например, знаковой стала работа, в которой удалось полностью охарактеризовать наноразмерный катализатор. Он представляет собой десятки тысяч наночастиц, нанесенных на подложку. С помощью искусственного интеллекта удалось определить местоположение каждой наночастицы на подложке и определить ее размер.
Группа исследователей. Источник: Евгений Гордеев
Кроме того, мы представили модель для автоматической расшифровки масс-спектров реакционных смесей. В такой смеси происходит множество побочных реакций с образованием разных соединений. Масс-спектрометрия высокого разрешения может обнаружить несколько тысяч соединений. Вручную обработать такое количество данных практически невозможно. С помощью искусственного интеллекта и разработанной процедуры деизотопирования можно в автоматическом режиме определять все обнаруженные соединения в реакционных смесях.
Между тем, серьезной проблемой остается нехватка открытых и стандартизированных баз данных. В рамках проекта по гранту РНФ мы столкнулись с этим на этапе сбора данных. Еще одна сложность — отсутствие публикаций отрицательных результатов. В лабораториях получают как положительные, так и отрицательные данные, но последние редко становятся достоянием научного сообщества. Это создает дисбаланс в обучении моделей, так как они учатся только на успешных примерах.
С развитием ИИ, возможно, появятся новые базы данных. Уже существуют специализированные журналы, публикующие не исследования, а сами наборы данных, но их крайне мало. Важно не только создавать такие ресурсы, но и внедрять практику открытого обмена данными, включая отрицательные результаты. Это может быть реализовано хотя бы в разделе дополнительных материалов к научным статьям.
Старший научный сотрудник Дарья Архипова выполняет пробоподготовку для ЯМР-спектроскопии, научный сотрудник Евгения Шутовская проводит колоночную хроматографию для разделения продуктов реакции. Источник: Евгений Гордеев
Сбор данных — отдельный вызов. В химии требуются специфические сведения: спектры с аналитических приборов, микрофотографии с оптических, электронных и атомно-силовых микроскопов, текстовые описания экспериментов. Данные делятся на реальные — полученные в ходе экспериментов, и синтетические — сгенерированные искусственно, но аналогичные реальным.
Искусственный интеллект в химии применяется на всех этапах исследований: от планирования экспериментов и сбора данных до анализа и предсказания свойств соединений.
При должном обучении модель может генерировать неограниченное количество синтетических данных, которые затем используются для машинного обучения. В нашем проекте по гранту РНФ мы реализуем оба подхода: автоматизированный сбор реальных данных и генерацию синтетических. Синтетические данные — актуальная тема последних лет, и если ее правильно реализовать, она станет крайне востребованной. Сейчас мы занимаемся накоплением данных, а на следующих этапах будем обучать модели и предсказывать свойства веществ.
Еще одно перспективное направление — масштабирование химического синтеза, переход от реакции в лабораторной пробирке к малотоннажному производству. Этот процесс сложный, многокомпонентный, требующий участия химиков, инженеров, учета множества факторов. ИТ-решения могут помочь в этом, но пока сложно оценить, как скоро они будут внедрены в практику.
На конференциях также заметен рост интереса к этой теме. Заголовок с упоминанием искусственного интеллекта автоматически привлекает аудиторию. Многие ученые, даже не работая напрямую с ИИ, интересуются его возможностями и перспективами.
Научное сообщество разделилось на два лагеря. Одни считают ИИ модным трендом, не способным на прорывы, другие уже внедрили технологии в исследования и активно осваивают новые подходы
Искусственный интеллект в химии — перспективное направление, особенно для молодых исследователей. Студенты первых курсов уже интересуются этой темой, а более опытным специалистам иногда сложнее перестроиться. Но ясно, что привлечение молодежи в науку, совмещение знаний в химии и программировании открывает новые горизонты. Мы нуждаемся в таких специалистах и призываем их присоединяться к исследованиям.
***
Интервью вошли в cпециальную рубрику «Мнение» корпоративного журнала «Открывай с РНФ» (№ 29).
В рубрике «Мнение» грантополучатели рассказывают об исследованиях и перспективах в разных областях химических наук, таких как сенсорные и диагностические материалы, органическая электроника, портативная энергетика, искусственный интеллект.
