http://93.174.130.82/news/shownews.aspx?id=7b21a7f8-5f9a-430e-abb7-13cdc3c8e881&print=1
© 2025 Российская академия наук
В России разработали нейросеть, которая по фотографии, сделанной на микроскопе, может распознать химическую формулу материала. Об этом в интервью «Известиям» рассказал заведующий лабораторией Института органической химии им. Н.Д. Зелинского РАН академик РАН Валентин Анаников.
Также он сообщил, что на следующем этапе на основе нейронных сетей учёные создадут программы цифровых реакторов и методики масштабирования химических реакций от пробирки до завода — так искусственный интеллект произведёт революцию в отечественной химии.
«Перед нашей страной стоит задача по скорейшему развитию микротоннажной химии»
— Валентин Павлович, расскажите о текущих разработках учёных в институте?
— Главные направления — это то, что связано с улучшением жизни людей и развитием химической промышленности. Так в институте создают новые катализаторы, эффективную агрохимию, лекарственные препараты, материалы для энергетики и многое другое. Перспективные исследования — это переработка растительной биомассы (например, целлюлозы и лигнина) в биопластик. Это материал, который по своим свойствам сопоставим с современным пластиком, но легко регенерируется и не оказывает вред природе и человеку.

Вместе с тем, учёные проектируют новые технологии, которые ускоряют открытие химических реакций и помогают получать продукцию быстрее и дешевле. Ещё одна важная для страны задача — это разработка универсальных методов масштабирования химических процессов — от получения вещества в пробирке до его производства на химическом заводе.
— Можете привести примеры значимых разработок?
— В области цифровых разработок учёными ИОХ РАН была создана первая в мире нейросеть, которая по фотографии вещества, сделанной на микроскопе, определяет его молекулярную формулу. Программа производит анализ с высокой точностью и распознаёт даже близкие друг к другу вещества.
Возможности этого программного комплекса впервые продемонстрировали на примере специальных фосфониевых соединений, которые используют как антисептики. Но главное, была показана возможность применения нейросетей для решения ещё недавно казавшихся фантастическими задач.
Другой проект — это разработка нейросетей для оперативного определения материалов на основе их спектрометрии. Это сложный набор данных, в которых присутствует много разных сигналов. Их изучение требует длительной «ручной» интерпретации. Мы же создали программный комплекс, который позволяет производить эти операции быстро и в автоматическом режиме.
— Что такое искусственный интеллект для химии?
— Программы искусственного интеллекта стремительно ворвались в наш мир. Большинство из нас ежедневно пользуются этими приложениями в гаджетах, компьютерах, умных устройствах. Они упрощают повседневную жизнь. Однако, что касается научных приложений, до сих пор искусственный интеллект был в какой-то степени самоцелью.
Сейчас же происходит поворотный момент. Мы приходим тому, что эти инструменты должны быть направлены на решение конкретных технических задач человечества — в промышленности, экономике, медицине, химии и других сферах.
— Какие направления, связанные с ИИ, развивают в вашем институте?
— На базе ИОХ РАН второй год реализуют проект «Цифровая химия». Это крупная программа по развитию химии нового поколения. На неё выделено существенное финансирование. В рамках проекта учёные исследуют, как с помощью нейронных сетей предсказывать новые материалы, синтезировать их, разрабатывают эффективные катализаторы. И, что самое важное, создают методики, которые помогут внедрять успешные разработки, полученные на уровне лаборатории, в полноценные химические производства.

Сейчас перед нашей страной стоит задача по скорейшему развитию микротоннажной химии. Это производства в объёме до 100 тонн продукции в год. Чтобы создать их, нужно в короткое время разработать технологии получения в этих товарных количествах большого количества разнообразных химических веществ.
«Благодаря алгоритмам ИИ время дизайна катализатора сокращается в 2–3 и более раз»
— Что для этого нужно сделать?
— Традиционными средствами это выполнить в короткие сроки очень сложно, но, например, благодаря инструментам искусственного интеллекта можно поставить на поток разработку эффективных катализаторов. Это вещества, которые ускоряют химическую реакцию. Зачастую одна такая молекула способствует получению тысяч и миллионов других молекул.
В химической промышленности 80 % всех процессов — каталитические. По оценкам, до 35 % всего мирового ВВП получают с прямым или косвенным использованием каталитических процессов. Однако их дизайн — сложный и дорогостоящий процесс, который, в среднем, занимает от четырёх до шести лет. И это критично! Особенно сейчас, когда человечеству для решения стоящих перед ним задач требуется много новых молекул. В нашем институте учёные создают и обучают нейронные сети, чтобы ускорить разработку катализаторов.
— Как это происходит?
— Например, с помощью нейросетей можно гибко моделировать химические процессы, варьируя условия и компоненты реакции, размеры частиц-катализаторов. Кроме того, эти программы могут быстро обучаться на архивных данных и задействовать их для разработки новых реакций. В результате благодаря алгоритмам искусственного интеллекта время дизайна катализатора сокращается в два-три и более раз.

В глобальной перспективе, можно сказать, что та страна, которая первой создаст нейросети для точного предсказания каталитических процессов, совершит технологический рывок и займёт лидирующее место в сфере химической промышленности. И мы стремимся к этому.
— Можете привести примеры, как работают такие нейросети?
— Во многих реакциях катализаторами выступают наночастицы металлов. Они имеют динамическую природу и могут изменяться по ходу реакции. В частности, от каталитического центра могут «оторваться» несколько атомов и соединиться друг с другом, образуя сложную смесь. То есть система эволюционирует, и нужно понимать, какие компоненты в этом процессе обладают максимальной активностью. Изучение их традиционными методами потребует миллионы часов.
Мы же решили задачу с помощью нейросетей. Сначала человек анализирует небольшой объём данных, а потом программа, обучившись, аналогичным образом анализирует массивы информации. В отличие от учёного, она выполняет процедуры в тысячи раз быстрее, и при этом не устаёт.
Применив такую методику, мы впервые в полном объёме проследили движение всех частиц катализатора на протяжении всей реакции. Такой подход получил название «4D-катализ», поскольку он включает изучение химического процесса и в пространстве, и во времени. Это даёт возможность понять главные факторы-ускорители реакций и создать более эффективные катализаторы.
«Компетенция учёного — это генерация идей и выдвижение гипотез»
— Как химическую реакцию перенести из лаборатории на производство?
— Сейчас это действительно ключевая проблема. Учёные могут получать любые вещества в количестве нескольких граммов, но, чтобы синтез имел практическое значение, нужны тонны. Однако масштабирование химической реакции — это тот критический участок, где многие проекты терпят неудачу.
Одно из решений проблемы, которым занимаются учёные ИОХ РАН, — это создание цифровой копии реактора. На виртуальной модели можно отработать все нюансы химического процесса. Затем проверенную таким образом версию оборудования можно просто и быстро распечатать на 3D-принтере. Это драматично меняет всю картину химпроизводства.

Прежде проектирование, изготовление деталей и сборка реактора занимали до нескольких лет. Сейчас это можно сделать за гораздо более короткий срок, а печать реактора на 3D-принтере можно провести за несколько дней. Это особенно актуально для микротоннажной химии, где нужны реакторы небольшого объёма. Зачастую они целиком помещаются в камеру 3D-принтера, и их можно напечатать за один цикл.
— Как новые материалы будут с помощью ИИ создавать на практике?
— Допустим, инженерам-материаловедам нужен новый материал с заданными свойствами. Они обращаются к химикам. Специалисты сначала предсказывают его структуру. Эти методики уже хорошо проработаны. Следующий шаг — синтез небольшого количество вещества, чтобы протестировать его свойства. Если требуется, процедуру повторяют. Затем с помощью цифрового реактора прорабатывают технологию масштабированного производства. На всех перечисленных этапах можно задействовать нейросетевые инструменты.
Отмечу, что это комплексная задача, для решения которой необходимо соединение усилий разных научных и производственных команд. Такие технологические объединения могут быть созданы в масштабах всей страны. В результате, при успешной реализации программы, благодаря ИИ срок создания новых материалов сократится до двух лет. Для сравнения сейчас этот процесс занимает восемь–десять лет.
— Когда ИИ сможет создавать новые материалы без участия человека?
— Сейчас к этому нет предпосылок. Искусственный интеллект важен в качестве помощника — для обработки данных и выполнения рутинных операций. Нейросети ещё не обладают практическими механизмами для постановки экспериментов и работы непосредственно в лаборатории — это прерогатива учёного.

Другими словами, в идеальном варианте человек предлагает замысел эксперимента и выбирает путь для его реализации, а проработку процесса поручает программе. Далее естественный разум должен проконтролировать действия «кремниевого» проектировщика, и сам человек контролирует эксперименты.
На более глобальном уровне компетенция учёного — это генерация идей и выдвижение гипотез, а затем их объединение в более крупные научные построения. Преимущество же ИИ — в доскональной обработке всей имеющейся информации.
Например, в объёмных проектах сейчас исследователи успевают обработать лишь 10–20 % результатов экспериментов. Это то, что в силу интуиции и опыта показалось им интересным. Остальное остаётся без интерпретации ввиду больших затрат времени. Также учёные не задействуют отрицательные результаты. Однако это — ценные материалы, так называемые «спящие» данные. Вовлечение их в научный оборот посредством обучения нейросетей позволит кратно увеличить эффективность исследований.
Текст: Андрей Коршунов.
Источник: IZ.RU.