Цифровой дизайн для атомной индустрии. Интервью с победителем конкурса фонда «Интеллект» Артемом Митрофановым

Негласное правило работы с радиоактивностью — если можно избежать взаимодействия с излучением, стоит это сделать. Утилизация отработавшего ядерного топлива и ядерная медицина — активно развивающиеся области атомной индустрии. Для эффективной переработки радиоактивных отходов и производства лекарств на основе радионуклидов нужно создавать новые материалы. Но испытания экспериментальных веществ «вживую» сопряжены с облучением и занимают много времени. На помощь ученым приходит цифровой дизайн материалов с помощью алгоритмов на основе искусственного интеллекта. Эта технология, разрабатываемая в Московском университете, была в 2024 г. отмечена грантом Некоммерческого фонда развития науки и образования «Интеллект». О том, как работает новый подход, какие возможности он открывает и чем отличается от привычных методов вычислительной химии, рассказывает победитель конкурса молодых ученых МГУ фонда «Интеллект», заведующий лабораторией интеллектуального химического дизайна химического факультета МГУ Артем Александрович Митрофанов. 

— Ваше исследование посвящено разработке новых методов вычислительной химии для решения задач в области радиохимии, а в перспективе — созданию на основе этих подходов искусственного интеллекта для дизайна материалов в сфере атомной энергетики и ядерной медицины. Расскажите, пожалуйста, немного подробнее о том, как проходит ваша научная работа.

— Если говорить о том, как она проходит, то в основном, разумеется, за компьютером. Область наших исследований все-таки отличается от того, как традиционно работают химики в лабораториях. Поэтому бóльшая часть нашей работы осуществляется за экраном — с использованием наших серверов и суперкомпьютеров. Конечно, в тех случаях, когда мы доходим до необходимости непосредственно синтезировать новый материал, мы тоже надеваем халаты и идем в лабораторию проверять результаты, полученные с помощью цифрового моделирования. Таким образом, основная часть нашей работы проходит за компьютером, еще часть — в общении с коллегами, потому что, разумеется, нельзя знать абсолютно все. Время гениальных одиночек, двигающих науку, в целом прошло, а значит, нам нужно сотрудничать с коллегами-экспериментаторами. Кроме того, мы уделяем внимание работе со студентами и аспирантами.

Для меня лично это логичное продолжение и моей диссертации, и отчасти моих дипломных работ — как бакалаврской, так и магистерской. Речь идет об отдельных материалах, которые предназначены в том числе для утилизации отработавшего ядерного топлива. Мы не можем просто вытащить топливо из реактора и где-то закопать. Помимо того что это экологическая катастрофа, такие действия регулируются так называемым принципом радиоэквивалентности, гласящим, что мы не можем закопать в землю больше, чем до этого оттуда извлекли. А значит, топливо нужно достать, переработать и разделить на отдельные компоненты — с учетом того, что в нем содержится практически вся таблица Менделеева. И лишь часть отходов уходит на захоронение, а бóльшая доля возвращается в ядерно-топливный цикл.

И мы как раз занимаемся разработкой материалов, предназначенных, например, для разделения отдельных компонентов топлива или для иммобилизации той части отходов, что все-таки отправляется на захоронение. Таким образом, радиоактивные вещества уже имеются и без нас, а мы работаем либо с органическими молекулами, либо с неорганическими матрицами. Сами по себе свойства тех же топливных сборок, извлеченных из реактора, известны, и для их определения не нужно ничего придумывать. Поэтому в первую очередь, как ни парадоксально, мы, наоборот, моделируем свойства неактивных компонентов, которые в дальнейшем будут взаимодействовать с отработавшим ядерным топливом или с медицинскими радионуклидами. В некоторых случаях мы даже можем себе позволить экспериментально проверять отдельные свойства на стабильных аналогах элементов, применяемых в атомной промышленности. В ряде случаев это, конечно, невозможно, потому что, например, стабильного урана не бывает. Но вот у элементов, радионуклиды которых применяются в ядерной медицине, часто есть стабильные изотопы.

Получается, что в основном мы моделируем нерадиоактивные вещества, но при этом предсказываем их поведение, в том числе и под облучением.

И перечень свойств новых материалов, которые необходимо предсказывать до перехода к синтезу, фактически задается самой технологией. Так, в их числе — растворимость в целевом технологическом растворителе, способность связывать необходимые компоненты с топливом и при этом совершенно не трогать другие. Наконец, отдельная особенность всего, что связано с радиоактивностью, — то, что полученный материал должен быть радиационно стойким. Это усложняет дизайн материалов: данных по радиационно стойким материалам накоплено гораздо меньше, чем, например, информации о потенциальных лекарственных препаратах. Значит, и искать такие новые материалы сложнее.

— Комментируя свой проект, вы отмечали, что существующие методы вычислительной химии неприменимы для моделирования свойств соединений актиноидов. Касается ли это только актиноидов или соединений других радиоактивных элементов тоже? И почему так происходит?

— Можно сказать, что в большей или меньшей степени это касается всего «дна» таблицы Менделеева — самых тяжелых химических элементов. Потому что радиоактивным может быть и изотоп водорода тритий, свойства которого мы можем вполне успешно моделировать.

Если мы говорим про классические методы моделирования в химии, они основаны в первую очередь на квантовой механике. Если немного точнее — на численных приближениях. И квантовая химия представляет собой некий баланс: мы либо получаем очень точные решения поставленных задач, либо выполняем работу за разумное время. Поэтому любой такой расчет подразумевает соглашение с самим собой — в какую сторону на этот раз нам нужно сдвинуться.

Таким образом, если мы моделируем свойства актиноидов, нам требуется огромное расчетное время, фактически сопоставимое с экспериментальным. А расчет, длящийся дольше эксперимента, пожалуй, никому не нужен. Есть такая популярная фраза: «Все верят в результат эксперимента, кроме того, кто его проводил, а в результат расчета не верит никто, кроме того, кто его производил».

Получается, что существующие методы вычислительной химии позволяют находить различные свойства тяжелых химических элементов, но этот процесс отнимает очень много времени. Более быстрые методы дают нам чудовищные погрешности и потому практически неприменимы. Таким образом, мы нуждаемся в разработке новых методов не только на базе того, что носит общее название «искусственный интеллект», но и посредством развития самой квантовой химии. Фактически этим мы и занимаемся.

— Каких результатов уже удалось достичь на текущий момент? Создана ли уже основа непосредственно для компьютерных алгоритмов или пока ведется разработка самих вычислительных методов?

— Основа для алгоритмов уже есть. Более того, к счастью (или к несчастью), эта область очень активно развивается, в том числе и вне химии.

Это позволяет экономить время, а значит, и средства. Такое преимущество характерно не только для разработки материалов, связанных с атомной энергетикой, но и для любого направленного in silico дизайна (компьютерного дизайна. — Примеч. авт.), в том числе лекарственных препаратов. Кроме того, существует немного жаргонный «нулевой постулат» правил работы с радиоактивностью, гласящий, что если ты можешь позволить себе не взаимодействовать с радиоактивным изучением, то стоит это сделать. Таким образом, в данном случае мы еще уменьшаем дозовую нагрузку на нас, ученых, в процессе поиска новых материалов. То есть мы экономим и здоровье, и время. До этого, например, чаще использовали пресловутую квантовую химию: пусть это и долго, но все равно во многих случаях быстрее, чем проверять непосредственно экспериментально.

В принципе, мы все видим, как мир вокруг нас меняется буквально на глазах за счет многообразных алгоритмов ИИ вроде чат-ботов, программ для обработки естественного языка, генерации изображений. С этой точки зрения химия — чуть более непростая область. Помимо того что она сама по себе сложнее, трудность заключается еще и в том, что если количество разнообразных текстов и фотографий с котиками в интернете огромно, то данных химической направленности в нем гораздо меньше. Поэтому, хотя базовые алгоритмы для работы существуют, их часто приходится дорабатывать, собирать данные вручную, в каких-то случаях — делать что-то новое с нуля.

Если говорить о мире в целом, то отдельные исследования проводятся, но нельзя сказать, что существует тренд развития подобных подходов. И тем более мы пока не находили готовых инструментов. Иначе не стали бы изобретать велосипед и с удовольствием воспользовались уже готовыми удобными разработками.

Можно сказать, что на текущем этапе алгоритмическая часть работы по большей части уже завершена — по крайней мере в рамках тех задач, которые мы перед собой ставили. Сейчас уже идет речь о создании инструментов, которыми смогут пользоваться химики-синтетики, совершенно не знакомые с вычислительной химией и ИИ и знакомиться разумно не желающие. В настоящее время мы работаем над такими инструментами и, разумеется, проверяем созданные модели уже в сотрудничестве с коллегами-экспериментаторами.

Что касается дизайна материалов для переработки отходов ядерной энергетики, мы как раз разрабатывали лиганды для разделения компонентов отработавшего ядерного топлива по заказу госкорпорации «Росатом». Сейчас они тестируются госкорпорацией. Их дальнейшая судьба уже не зависит от нас, поэтому, к сожалению, не могу сказать, используются ли они на практике или пока все еще находятся на одной из стадий внутреннего тестирования на бóльших масштабах технологии.

В то же время те исследования, которые мы проводили вместе с коллегами в области радиофармацевтической химии, — по использованию радионуклидов для селективной терапии и диагностики заболеваний — доходили до испытаний на лабораторных животных. У наших коллег есть виварий, где мы проводили совместную работу — например, предсказывали поведение препарата в организме лабораторной мыши. Стоит отметить, что результаты, полученные с помощью наших вычислительных методов, достаточно хорошо совпадали с тем, что наблюдалось во время экспериментов. Таким образом, мы уже доводили технологию до подобного уровня практического применения.

— Чем отличаются разрабатываемые вами новые методы вычислительной химии от привычных подходов в этой сфере?

— Частично я их уже обозначил. Ключевых отличий два. Во-первых, фактически ни в каких других областях нам не нужно моделировать радиационную стойкость: материалы не распадаются, тем более под излучением. Возможно, существуют какие-то отдельные исключения, такие как работа с рентгеновскими источниками, но это скорее из области экзотики.

Во-вторых, мы работаем в условиях нехватки данных. Когда мы говорим про технологии ИИ и машинное обучение, невозможно обойти стороной такое понятие, как big data (англ. «большие данные». — Примеч. авт.). Но оно не очень актуально для химических и тем более радиохимических данных, поскольку работой с радиоактивными материалами в целом занимается очень малое количество научных групп. Это разумно, потому что данная область должна очень серьезно регулироваться и ограничиваться требованиями к технике безопасности, к необходимому оборудованию и т.д. Однако из-за этого собранных данных оказывается еще меньше. А значит, классические методы, предназначенные для работы с большими данными, нам попросту не подходят. Получается, что у нас добавляется новое условие, которое нужно учитывать, и проблема в том, что его нельзя учесть as is (англ. «как есть». — Примеч. авт.): мы не используем big data и поэтому должны придумывать алгоритмы, способные работать с малым количеством данных.

— Насколько вероятно, что в реальности свойства смоделированного соединения будут несколько отличаться от спроектированных с помощью компьютерного алгоритма? Есть ли изначальный расчет на такую погрешность или пока вы планируете достичь максимальной точности? 

— Конечно, мы планируем достигать максимальной точности. Но, разумеется, в большинстве случаев это не получается. Есть классическое отличие научной теории от ненаучной — так называемый критерий фальсифицируемости. И он гласит, что теория научна, если мы можем придумать эксперимент, ее опровергающий, — проще говоря, если мы можем определить границы применимости этой теории. Этот подход отлично работает с моделями, которые мы создаем: у любой модели есть свои границы применимости, и в этих рамках она действует с известной погрешностью. Далее уже встает вопрос практического применения: достаточно ли нам точности модели для того, чтобы пользоваться ею дальше и проверять экспериментально уже результаты, или пока нам нужно улучшать качество самого моделирования, даже не переходя к экспериментам?

Боюсь, что здесь нет универсального рецепта, гласящего, где и когда можно остановиться. В каких-то случаях нам хватает буквально полуколичественной оценки на уровне «лучше/хуже». А где-то нам нужно пытаться достичь если не экспериментальной, то близкой к ней точности моделирования. И, конечно, всегда необходимо дополнять работу практической проверкой в том или ином виде, а также определять, входит ли материал, свойства которого мы хотим смоделировать, в область применимости модели или нужно просто искать другую модель.

— Каких вычислительных мощностей в перспективе потребует создаваемая вами нейросеть? Насколько мощное и высокотехнологичное компьютерное оборудование может потребоваться для ее работы?

— На самом деле это сложный вопрос, потому что в отношении моделей машинного обучения, особенно если говорить о нейронных сетях, следует очень четко разделять процессы их обучения и использования. 

Обучение нейронных сетей требует больших ресурсов. В нашем случае это не те же ресурсы, которые нужны для обучения больших языковых моделей, когда мы слышим о десятках тысяч современных видеокарт (причем не игровых, а адаптированных специально под подобные расчеты). Но единицы или десятки требуются и нам.

При этом взаимодействовать с моделью как пользователь я уже могу на своем ноутбуке. Или, например, сейчас на нашем локальном сервере в тестовом режиме с доступом только для нас крутится приложение на основе наших разработок, которое мы сами же испытываем. Сейчас точно не назову модель компьютерного «железа», обеспечивающего работу этой системы, но это точно не что-то экстраординарное, а обычный персональный компьютер.

Таким образом, мы экономим время на использование технологии за счет затрат времени на подготовку моделей.

— Сколько человек принимают участие в вашем исследовании? Участвуют ли в нем сотрудники других вузов или только МГУ? Какие специальности они представляют?

— Сейчас я возглавляю межкафедральную лабораторию интеллектуального химического дизайна на химическом факультете МГУ. Однако мы активно взаимодействуем с другими подразделениями, благо в Московском университете можно найти специалистов в совершенно разных областях если не на расстоянии вытянутой руки, то в пешей доступности в соседних корпусах. Например, мы активно взаимодействуем с нашим же мехматом — с коллегами, разбирающимися в математике заметно лучше нас, которые порой могут предложить нам помощь в своей области. Или, если говорить о тех же радиохимических задачах, в МГУ есть кафедра радиохимии, где можно на лабораторном уровне проводить эксперименты, проверяющие нашу теорию.

Поэтому даже сложно подсчитать общее количество людей, участвующих в нашей работе. Если говорить о тех, кто относится к нашей лаборатории, включая студентов и аспирантов, это чуть более 30 человек. А если рассуждать о каком-нибудь масштабном проекте, связанном с разработкой новых материалов (включая поиск путей синтеза, собственно синтез, экспериментальную проверку и т.д.), то сейчас, пожалуй, любые такие исследования подразумевают использование габаритного оборудования (вплоть до того, что называется установками класса «мегасайенс») и участие большого количества людей. То есть в таких проектах могут вполне спокойно участвовать и 100 человек, и каждый из них так или иначе внесет необходимый вклад в общее дело, прежде чем получится что-то реально работающее.

— Существуют ли какие-либо радиоактивные соединения, которые пока вообще нет возможности моделировать с помощью методов вычислительной химии? Если да, в чем их особенность?

— Наверное, это относится уже даже не к области деятельности химиков, а к тому, чем занимаются наши коллеги, получающие новые сверхтяжелые элементы, — например, в Объединенном институте ядерных исследований в Дубне. Понятно, что пока время жизни таких сверхтяжелых элементов исчисляется долями секунды, говорить про их химию в целом сложно. Конечно, можно успеть провести какие-то эксперименты, чтобы проверить, к какой группе в таблице Менделеева они будут относиться. Но про вычислительную химию в таких случаях говорить хоть и можно, но сложно. Пока еще это наука завтрашнего дня. С практической точки зрения мы можем работать со всеми элементами, присутствующими, например, в отработавшем ядерном топливе. Это, наверное, около сотни из тех 118 элементов, что имеются в настоящее время. 

— Можно ли будет в перспективе адаптировать ИИ для решения других задач в этой области, например для моделирования производства материалов?

— С одной стороны, общий ответ — да, поскольку работы по моделированию технологических цепочек действительно ведутся. Более того, оптимизация существующих производств — это очень интересная масштабная область. Однако конкретно к нашей сфере деятельности это все-таки напрямую не относится, поскольку путь от лабораторного эксперимента, который сам по себе становится результатом некоторого количества вычислений, до промышленного применения (то есть до интеграции нового решения в ту или иную производственную цепочку) — это вопрос отдельных нескольких лет. Такие работы, конечно, ведутся и у нас: то, что мы делали в лаборатории и испытывали «в пробирке», уже тестируют на реальных образцах того же отработавшего топлива в больших масштабах. Но в целом это уже выходит за границы исследований классических ученых, трудящихся в лаборатории и занимающихся больше фундаментальными, нежели прикладными направлениями науки.

Интервью проведено при поддержке Министерства науки и высшего образования РФ

Фото на странице: Елена Либрик / «Научная Россия», jplenio1 / фотобанк Freepik, freepik / фотобанк Freepik.