Специалисты Центра искусственного интеллекта МГУ усовершенствовали архитектуру нейросети для предсказания свойств молекул.
Новое решение учитывает больше параметров, что повышает точность прогноза, сообщили ТАСС в пресс-службе университета.
Сегодня прогноз свойств молекул по их структуре (это важно для создания новых лекарств и материалов) ведётся с помощью алгоритмов машинного обучения. Существует два основных подхода: молекулу рассматривают либо как сеть атомов и химических связей, либо как последовательность символов, описывающих строение. Однако оба метода чаще всего работают на уровне отдельных атомов и не учитывают напрямую более крупные элементы молекулы — функциональные группы.
Авторы новой разработки предложили метод, в основе которого лежит способ записи молекул, учитывающий и отдельные атомы, и функциональные группы. Нейросеть анализирует эти представления одновременно, что позволяет учитывать разные уровни организации молекулы. В вычислительных экспериментах модель показала более высокую точность по сравнению с традиционными алгоритмами.
Как пояснил руководитель научной группы «Мультимодальное обучение в материаловедении» Института ИИ МГУ Вадим Королев, для химии важна не только точность моделей, но и понимание того, какие элементы структуры влияют на свойства вещества. Новый подход делает результаты моделирования более объяснимыми, так как позволяет учитывать функциональные группы молекул. Предложенный метод может применяться для ускорения поиска новых химических соединений с заданными характеристиками — это особенно актуально при разработке лекарств, катализаторов и новых материалов с нужными свойствами. Работа учёных помогает сократить перебор вариантов и сосредоточиться на самых перспективных кандидатах, экономя время и ресурсы.
