Исследователи Массачусетского технологического института (MIT) разработали новую систему искусственного интеллекта для предсказания результатов химических реакций, которая учитывает фундаментальные физические принципы. Модель, названная FlowER (Flow matching for Electron Redistribution), значительно превосходит существующие подходы благодаря соблюдению закона сохранения массы.
В отличие от предыдущих систем, которые часто игнорировали физические ограничения, новая модель отслеживает все электроны и атомы на протяжении всего процесса реакции. Исследователи использовали метод, разработанный химиком Иваром Уги в 1970-х годах, основанный на матрице связей и электронов для представления электронов в реакции.
Узнать подробнее про клуб ShareAI
«Предсказание результатов реакций — очень важная задача», — объясняет ведущий автор исследования Джунъён Джунг. «Если вы хотите создать новое лекарство, вам нужно знать, как его сделать. Для этого требуется понимать, какой продукт, вероятно, получится из определенного набора химических компонентов».
Модель была обучена на данных более миллиона химических реакций из базы данных Патентного ведомства США. В сравнении с существующими системами предсказания реакций, FlowER демонстрирует «огромное увеличение валидности и сохранения, а также соответствующую или немного лучшую точность с точки зрения производительности», отмечает соавтор исследования Коннор Коли.
Несмотря на то, что система находится на ранней стадии разработки, исследователи уже сделали ее общедоступной через платформу GitHub. «Мы считаем, что она будет делать точные прогнозы и будет полезна как инструмент для оценки реакционной способности и отображения путей реакции», — говорит Коли.
Система имеет определенные ограничения в отношении охвата различных типов химических реакций. Например, она не включает некоторые металлы и каталитические реакции. В будущем исследователи планируют расширить понимание моделью металлов и каталитических циклов.
Модель FlowER может найти применение в предсказании реакций для медицинской химии, разработки новых материалов, исследований горения, атмосферной химии и электрохимических систем.
«В долгосрочной перспективе много энтузиазма вызывает использование такой системы для помощи в открытии новых сложных реакций и выяснении новых механизмов. Я думаю, что долгосрочное потенциальное влияние велико, но это, конечно, только первый шаг», — заключает Коли.
Работа была поддержана консорциумом Machine Learning for Pharmaceutical Discovery and Synthesis и Национальным научным фондом.
