Кандидат химических наук Артем Митрофанов. Фото: Елена Либрик / «Научная Россия»
Исследователи из МГУ разработали новую модель машинного обучения для оценки стабильности комплексов редкоземельных элементов и трехвалентных актинидов. Работа опубликована в научном журнале The Journal of Chemical Physics.
Лантаноиды и актиноиды критически важны для электроники и ядерной промышленности, однако экспериментальное изучение этих металлов затруднено из-за высокой стоимости подобной работы, а также из-за их опасных и схожих химических свойств. Использование органических лигандов (молекул, которые избирательно связываются с ионами металлов, помогая отделять нужные элементы из общей смеси) позволяет разделять эти элементы, но их подбор в лаборатории обходится крайне дорого. Для решения этой проблемы ученые создали новую архитектуру графовой сверточной нейросети, которая, в отличие от предыдущих аналогов, объединила всю доступную информацию о комплексообразовании различных металлов. Нейросеть обучали на данных библиотеки NIST46 и сведениях из научных публикаций.
Модель точно прогнозирует константу устойчивости комплексов редкоземельных элементов и трехвалентных актинидов, причем даже для тех металлов, которых изначально не было в обучающей выборке.
По словам ученых, разработка превосходит аналоги и способна значительно упростить поиск селективных лигандов (например, для переработки отработанного ядерного топлива). Исходный код модели ученые выложили в открытый доступ.
Работа была выполнена при поддержке гранта Минэкономразвития РФ. Подробнее о ее особенностях корреспонденту «Научной России» рассказал заведующий лабораторией интеллектуального химического дизайна химического факультета МГУ им. М.В. Ломоносова кандидат химических наук Артем Александрович Митрофанов.
«Классическое машинное обучение в химии (даже с нейронными сетями в качестве базового алгоритма) — вещь не новая, и уже успешно применяется. Однако для ее реализации традиционно используют подход, при котором модель "смотрит" только на структуру молекулы и пытается предсказать ее свойство. В нашем же случае для, например, 10 металлов, потребовалось бы отдельных 10 моделей, каждая из которых использовала бы данные, касающиеся только одного из них. Но мы предложили новую архитектуру, где модель "видела" как структуру молекулы, так и информацию о координационной химии металла, что позволило объединить все данные в один большой набор и практически научить модель координационной химии f-элементов. И после этого модель могла с неплохой точностью предсказывать устойчивость комплексов даже тех металлов, которые она ранее не видела! <...> В целом основа машинного обучения — это данные, которых всегда не хватает. В химии и материаловедении при этом данных гораздо меньше, чем, например, изображений или текстов в интернете, которые можно использовать для обучения машинного зрения или языковых моделей. Кроме того, любые измерения сопряжены с погрешностями, а значит, и данные содержат те же погрешности, которые, к тому же, могут быть разными у разных экспериментальных методов. Получается, что сам по себе процесс обучения модели — наименее сложная задача, а вот сбор и подготовка данных, а также разработка архитектуры для работы с ними занимают куда больше времени».
А.А. Митрофанов добавил, что точность любой модели ограничена погрешностью экспериментальных данных, к которой и нужно стремиться. По его словам, для большинства редкоземельных металлов модель уже достигла этого предела, показав сопоставимые с экспериментом ошибки. Однако из-за острого дефицита данных по комплексам актинидов погрешность для них пока в несколько раз выше, что оставляет пространство для дальнейшего улучшения алгоритма.
Новость подготовлена при поддержке Министерства науки и высшего образования РФ
