Нейросеть повысила точность расчетов свойств молекул без нарушения законов физики
Российские ученые создали нейросетевой инструмент для более точного расчета свойств молекул. Он снижает ошибку в расчетах энергии химических реакций почти на 26% и при этом сохраняет физическую надежность классических моделей.
Источник: РНФ
МОСКВА, 16 июня. /Новости науки/. Ученые усовершенствовали метод расчета свойств молекул с помощью нейросетей. Новый инструмент помогает точнее описывать поведение электронов в сложных химических системах и не нарушает базовые законы физики, сообщили в пресс-службе Российского научного фонда.
Результаты исследования, поддержанного грантом РНФ, опубликованы в Journal of Chemical Theory and Computation.
Работа связана с теорией функционала плотности. Это один из главных методов вычислительной химии. Он позволяет понять, как электроны распределены вокруг ядер атомов в молекуле. По этому распределению можно рассчитать энергию молекулы, ее форму, прочность химических связей и возможное поведение в реакциях.
Точная универсальная формула для таких расчетов пока неизвестна. Поэтому химики используют разные функционалы — расчетные модели, у каждой из которых есть сильные и слабые стороны.
Одни функционалы строят так, чтобы они строго соблюдали известные физические законы. Такие модели надежны, но не всегда дают высокую точность. Другие модели подгоняют под известные данные о реакциях и молекулах. Они могут хорошо работать на знакомых системах, но сильнее ошибаются при расчете новых веществ.
В последние годы ученые начали применять нейросетевые функционалы. Их обучают на больших массивах данных о молекулах. Такие модели могут давать высокую точность, но иногда теряют физическую основу: нарушают ограничения, заложенные в теорию, требуют много данных и хуже работают с незнакомыми соединениями.
Ученые из Института органической химии имени Н.Д. Зелинского РАН, Сколтеха, МГУ имени М.В. Ломоносова и Высшей школы экономики предложили другой подход. Они не стали создавать функционал с нуля. Вместо этого исследователи взяли уже существующую классическую модель PBE, которая соблюдает ключевые физические законы, и добавили к ней нейросетевую надстройку.
Новый метод получил название NN-PBE. Нейросеть в нем не заменяет физическую модель, а тонко меняет ее параметры под конкретную систему. При этом она сохраняет ограничения, которые делают исходный функционал физически надежным.
Нейросеть обучили на молекулах с уже известными точными значениями энергий. После этого инструмент проверили на 30 типах химических реакций. В расчетах электронную плотность последовательно уточняли до получения устойчивого результата.
Проверка показала, что усиленный нейросетью функционал рассчитывает энергии реакций почти на 26% точнее, чем исходная модель без нейросетевой настройки.
По словам авторов, такой подход позволяет объединить преимущества классической вычислительной химии и машинного обучения. Он сохраняет физические законы, но повышает точность расчетов. Это важно для задач, где свойства веществ нужно оценить еще до эксперимента: при поиске лекарств, создании катализаторов и разработке новых материалов.
«Нам не пришлось отказываться от классических наработок, мы научили нейросеть локально подстраивать параметры уже существующего функционала, сохраняя ключевые заложенные в него создателями физические знания. Это как взять хорошо сконструированный двигатель и тонко его настроить, а не пытаться собрать новый из случайных деталей. Такой инструмент пригодится везде, где необходимо заранее знать свойства соединений, например при создании лекарств, катализаторов и новых материалов», — рассказал руководитель проекта, кандидат физико-математических наук, старший научный сотрудник группы теоретической химии Института органической химии имени Н.Д. Зелинского РАН Михаил Медведев.
В дальнейшем ученые планируют объединить новый подход с ранее предложенным решением проблемы «слепого пятна» в теории функционала плотности. Это должно сделать расчетные модели еще надежнее и повысить эффективность виртуального отбора химических реакций и изучения их механизмов.
Исследование выполнено при поддержке Российского научного фонда. Работа опубликована в Journal of Chemical Theory and Computation. Метод исследования — нейросетевая настройка параметров функционала плотности на основе классической модели PBE с сохранением физических ограничений.
Результаты исследования, поддержанного грантом РНФ, опубликованы в Journal of Chemical Theory and Computation.
Работа связана с теорией функционала плотности. Это один из главных методов вычислительной химии. Он позволяет понять, как электроны распределены вокруг ядер атомов в молекуле. По этому распределению можно рассчитать энергию молекулы, ее форму, прочность химических связей и возможное поведение в реакциях.
Точная универсальная формула для таких расчетов пока неизвестна. Поэтому химики используют разные функционалы — расчетные модели, у каждой из которых есть сильные и слабые стороны.
Одни функционалы строят так, чтобы они строго соблюдали известные физические законы. Такие модели надежны, но не всегда дают высокую точность. Другие модели подгоняют под известные данные о реакциях и молекулах. Они могут хорошо работать на знакомых системах, но сильнее ошибаются при расчете новых веществ.
В последние годы ученые начали применять нейросетевые функционалы. Их обучают на больших массивах данных о молекулах. Такие модели могут давать высокую точность, но иногда теряют физическую основу: нарушают ограничения, заложенные в теорию, требуют много данных и хуже работают с незнакомыми соединениями.
Ученые из Института органической химии имени Н.Д. Зелинского РАН, Сколтеха, МГУ имени М.В. Ломоносова и Высшей школы экономики предложили другой подход. Они не стали создавать функционал с нуля. Вместо этого исследователи взяли уже существующую классическую модель PBE, которая соблюдает ключевые физические законы, и добавили к ней нейросетевую надстройку.
Новый метод получил название NN-PBE. Нейросеть в нем не заменяет физическую модель, а тонко меняет ее параметры под конкретную систему. При этом она сохраняет ограничения, которые делают исходный функционал физически надежным.
Нейросеть обучили на молекулах с уже известными точными значениями энергий. После этого инструмент проверили на 30 типах химических реакций. В расчетах электронную плотность последовательно уточняли до получения устойчивого результата.
Проверка показала, что усиленный нейросетью функционал рассчитывает энергии реакций почти на 26% точнее, чем исходная модель без нейросетевой настройки.
По словам авторов, такой подход позволяет объединить преимущества классической вычислительной химии и машинного обучения. Он сохраняет физические законы, но повышает точность расчетов. Это важно для задач, где свойства веществ нужно оценить еще до эксперимента: при поиске лекарств, создании катализаторов и разработке новых материалов.
«Нам не пришлось отказываться от классических наработок, мы научили нейросеть локально подстраивать параметры уже существующего функционала, сохраняя ключевые заложенные в него создателями физические знания. Это как взять хорошо сконструированный двигатель и тонко его настроить, а не пытаться собрать новый из случайных деталей. Такой инструмент пригодится везде, где необходимо заранее знать свойства соединений, например при создании лекарств, катализаторов и новых материалов», — рассказал руководитель проекта, кандидат физико-математических наук, старший научный сотрудник группы теоретической химии Института органической химии имени Н.Д. Зелинского РАН Михаил Медведев.
В дальнейшем ученые планируют объединить новый подход с ранее предложенным решением проблемы «слепого пятна» в теории функционала плотности. Это должно сделать расчетные модели еще надежнее и повысить эффективность виртуального отбора химических реакций и изучения их механизмов.
Исследование выполнено при поддержке Российского научного фонда. Работа опубликована в Journal of Chemical Theory and Computation. Метод исследования — нейросетевая настройка параметров функционала плотности на основе классической модели PBE с сохранением физических ограничений.
