Ученые из Новосибирского института органической химии СО РАН и НГУ разработали нейросеть на основе архитектуры DimeNet++. Искусственный интеллект предсказывает ключевые электронные свойства сопряженных полимеров по трехмерной структуре одного мономера. Точность модели достигает уровня передовых стандартов (ошибка порядка 0.07 эВ), при этом она избавляет от необходимости проводить дорогостоящие квантово-химические расчеты. Это позволяет ученым сразу отсеивать неподходящие молекулы, экономя месяцы лабораторной работы. Исследование поддержано грантом Российского научного фонда (РНФ) и опубликовано в журнале Polymers.
Органические полимеры: основа технологий будущего
Органические полимеры лежат в основе современной гибкой электроники: солнечные батареи, транзисторы, газовые сенсоры, светодиоды. Но разработка новых полимеров с целевыми характеристиками долгая — синтез занимает недели или месяцы. Компьютерное моделирование требует больших мощностей и часто недостаточно точно. В итоге множество перспективных веществ остаются непроверенными.
Необычный подход ученых
Сибирские специалисты нашли инновационный путь. Они избежали прямого моделирования полимера и обучили графовую нейросеть на обширных данных: сначала на расчетных (около 54 000 точек), а затем на реальных экспериментальных результатах.
Прорыв в точности предсказаний
Изначальная попытка обучения только на экспериментах показала высокую ошибку (более 0.3 эВ), что неприменимо на практике: модель запоминала данные без понимания химии. Решение оказалось в стратегии: предварительное обучение сети на расчетных данных мономеров для понимания квантовой механики с последующим дообучением на настоящих полимерных образцах. Это резко подняло точность.
Важность правильных данных
Эксперимент подтвердил решающую роль источника предобучения. Использование данных об одиночных молекулах (мономерах) давало слабый прирост точности (ошибка около 0.29-0.35 эВ). Использование данных, экстраполированных на бесконечную полимерную цепь, приводило к резкому скачку точности. Финал: модель достигла уровня мировых передовых методов, ошибка для ширины запрещенной зоны всего 0.074 эВ.
Мощность и элегантность DimeNet++
Выбор DimeNet++ оправдан. Эта архитектура, в отличие от классических графовых сетей, применяет направленную передачу сообщений, явно учитывая дистанции связей, валентные и двугранные углы. Анализ показал: сеть при дообучении не перестраивается полностью, а гибко модифицирует знание квантовой химии мономеров для прогнозирования свойств экспериментальных полимеров.
Перспективы ускоренного дизайна
Теперь сложные вычисления или долгий пробный синтез не нужны! Достаточно создать трехмерный образ мономера подручными средствами (поле силовое) и передать нейросети — ответ за секунду. Разработанный подход открывает путь к быстрому поиску и целевому конструированию полимеров с заданными свойствами. В будущем метод готов охватить другие классы полимерных материалов и предсказывать обширный спектр характеристик: прочность, температуру трансформации в стекло, мобильность зарядов, существенно сокращая драгоценное время ученых.
Источник: indicator.ru
