Искусственный интеллект в химии: когда ИИ заменит химика?

• Ведущий редко бывает на мероприятиях.  

• Наука - фундамент технологического прогресса.  

• Начинается встреча с ведущим ученым Валентином Павловичем Ананиковым.  

• Приветствие участников мероприятия.  

• Представление Валентина Павловича Ананикова.  

• Благодарность Сберу за организацию встречи.  

• Обсуждение искусственного интеллекта AI.  

• Разные мнения о влиянии AI на науку и общество.  

• Важность AI в химии и его влияние на конкурентоспособность специалистов.  

• Представление Алексея Сергеевича Князева.  

• Обсуждение премии Сбербанка для ученых.  

• Введение новой номинации для молодых исследователей.  

• Краткая биография Валентина Павловича.  

• Достижения в области катализа и органической химии.  

• Награды и признание за научные достижения.  

• Валентин Павлович благодарит за представление.  

• Объявление темы лекции: развитие искусственного интеллекта и его применение в химических исследованиях.  

• Начало презентации.  

• Лекция о применении искусственного интеллекта в естественных и технических науках, с акцентом на химию.  

• Представление института органической химии имени Зелинского РАН.  

• Лекция будет быстрой, без углубления в детали, с возможностью скачать полную версию презентации.  

• Сбербанк создал аналог Нобелевской премии в России.  

• Лаборатория работает в разных направлениях химических наук, включая наноразмерный катализ и зеленые технологии.  

• Отдельное направление по применению искусственного интеллекта в химических исследованиях.  

• Химия играет ключевую роль в современном мире, создавая материалы для нефтепереработки, полимеров, красителей, строительных материалов и электроники.  

• Все, что нас окружает, прошло через химическое производство.  

• Химия формирует материальную часть человеческой цивилизации.  

• Три масштаба производства химических веществ: крупнотоннажные, среднетоннажные и исследовательские.  

• В крупнотоннажном диапазоне производится около 500 веществ, в среднетоннажном — около 100 тысяч, в исследовательском — миллионы.  

• Инновационная пирамида: из 100 миллионов веществ, только 500 используются всем человечеством.  

• Пример каталитической реакции Габера-Боша, которая изменила мир, увеличив население Земли.  

• Каталитические реакции вносят значительный вклад в мировой ВВП, составляя около 35%.  

• Наука и катализ играют ключевую роль в позитивном изменении мира.  

• Химия играет ключевую роль в современной жизни, обеспечивая нас топливом, металлами, пластмассами и другими важными веществами.  

• Цифровые технологии и искусственный интеллект необходимы для научно-исследовательского процесса.  

• Пример реакции кросс-сочетания Сузуки показывает сложность и масштаб химических исследований.  

• Для изучения одной каталитической реакции, дающей один грамм вещества, требуется 38 миллионов лет.  

• Даже с использованием фантастических методов и инструментов, полное исследование требует огромного времени.  

• Гомогенные каталитические реакции в растворе требуют сотен лет для изучения.  

• Современные гранты слишком короткие для полного изучения химических систем.  

• Появление машинных алгоритмов и искусственного интеллекта изменило ситуацию.  

• Химические проекты генерируют огромное количество данных, которые часто остаются необработанными.  

• Только 5-20% данных, полученных в химических экспериментах, публикуются и анализируются.  

• Большая часть данных остается неопубликованной и необработанной, что приводит к потере данных.  

• Необходимы новые подходы и центры обработки данных для повышения эффективности научных исследований.  

• Химия характеризуется низкой скоростью накопления данных и низкой эффективностью их использования.  

• В ближайшие годы химия будет становиться все более научной и менее творческой.  

• Творческая компонента останется, но степень обработки данных будет расти.  

• Нет методологии для анализа химических реакций, что тормозит развитие.  

• Разрабатываются алгоритмы машинного обучения, но они не адаптированы под конкретные процессы.  

• Машинное обучение ускоряет обработку данных, что позволяет проводить длительные проекты.  

• Пример с изучением наноразмерных катализаторов с использованием нано-манипулятора.  

• Алгоритмы машинного обучения анализируют изображения с электронного микроскопа.  

• Алгоритмы делают это быстрее и точнее, чем человек.  

• Алгоритмы позволяют реконструировать каталитическую поверхность и анализировать наночастицы.  

• Пример с реакцией Сузуки, где каждая наночастица была проанализирована.  

• Ускорение анализа с помощью нейронных сетей позволяет проводить эксперименты быстрее.  

• Чем меньше палладия используется, тем дешевле и эффективнее процесс.  

• Российские ученые создали самый эффективный катализатор для реакции кросс-сочетания.  

• Алгоритмы машинного обучения ускоряют химические реакции и делают их более эффективными.  

• Алгоритмы машинного обучения помогают ускорить химические реакции.  

• Развиваются адаптивные фотокаталитические системы, работающие под действием видимого света.  

• Совместный проект с немецкими коллегами привел к разработке универсальных катализаторов для органического синтеза.  

• ИИ позволяет быстрее анализировать данные.  

• Пример: исследование активных центров катализатора.  

• Задача: найти один и тот же атом на поверхности катализатора.  

• Задача считалась нерешаемой.  

• Разработана процедура позиционирования атомов.  

• Переход от миллиметрового до наноразмерного диапазона.  

• Примеры изображений с электронного микроскопа.  

• Анализ активных центров катализатора.  

• Статистический анализ и нейронные сети.  

• Визуальное описание каталитических явлений.  

• Добавление времени как четвертого измерения.  

• Преимущества четырехмерного описания.  

• Задача кажется нерешаемой.  

• Пример с фафнивой солью.  

• Нейронные сети для определения структуры вещества.  

• Открытие лекарств с помощью ИИ.  

• Обработка больших данных.  

• Автоматизированные лабораторные комплексы и роботы.  

• Лекция заумная, слушатели засыпают.  

• Интернет вещей в химии: датчики в колбах для анализа реакций.  

• Умные колбы будут связываться с компьютерами и сообщать о реакциях.  

• Это изменит картину химического мира и улучшит управление процессами.  

• Спектроскопия ускоряет анализ данных.  

• Блокчейн используется для маркировки химических соединений.  

• Цифровые двойники позволяют исследовать процессы без реальных экспериментов.  

• Виртуальная лаборатория для обучения.  

• Дополненная реальность помогает в повседневной химической практике.  

• Технологии будут внедряться в образовательную практику.  

• Чат-боты на основе больших языковых моделей.  

• Помогают в анализе литературы, переводе и прогностической токсикологии.  

• Алгоритмы ИИ ускоряют анализ научных статей.  

• В ближайшие 5-7 лет ИИ не заменит химиков в лаборатории.  

• Геометрическое пространство лабораторий пока защищает от полной замены.  

• Цифровой пространственный доступ сделает ИИ более эффективным.  

• Вопрос о необходимости обучения в меняющемся мире.  

• ИИ становится равным по уровню интеллекта противником.  

• Важно думать о грамотном внедрении ИИ в научную работу.  

• ИИ активно используется в создании программных продуктов.  

• Дискуссии о доверии персональных данных алгоритмам ИИ.  

• Появление новой специальности – психолог нейросети.  

• Инновационный триггер и пик завышенных ожиданий.  

• Разочарование и осознание, что не все ожидания оправдаются.  

• Склон просвещения и плато продуктивности.  

• Пик завышенных ожиданий и пропасть разочарования для тех, кто выбрал неправильную стратегию.  

• Внедрение большого количества продуктов и решений через некоторое время.  

• Моделирование химической науки и использование искусственного интеллекта для прогнозирования.  

• Прогностический прогноз в форме фантастического рассказа.  

• Оценка характера прогноза и его влияния на общество.  

• Искусственный интеллект описывает будущее химической лаборатории через 20 лет.  

• Высокая скорость накопления данных и низкая степень ручной обработки.  

• Внедрение искусственного интеллекта неизбежно для естественных и технических наук.  

• Острая потребность в цифровых технологиях для химии.  

• Российская академия наук и её роль в передовых исследованиях.  

• Поддержка научных проектов со стороны Сбербанка.  

• Призыв к химикам и программистам присоединиться к проектам.  

• Вопросы аудитории о роли искусственного интеллекта в химии.  

• Примеры использования ИИ для обработки данных и предсказания химических соединений.  

• Важность проверки данных, обработанных ИИ.  

• Программа "Успекс" для анализа кристаллических структур.  

• Фокус на анализе реакций в растворах.  

• Важность разработки алгоритмов для анализа химии в растворах.  

• Проверка данных, обработанных машинным обучением.  

• Генеративные модели ИИ и их ограничения.  

• Проблемы и достоинства генеративного ИИ в различных областях.  

• Вопрос о безопасности использования дополненной реальности в лаборатории.  

• Возможные проблемы и их решение.  

• Проекты по внедрению дополненной реальности в лаборатории существуют.  

• Виртуальная реальность используется для обучения и выполнения стандартизированных процедур.  

• Внедрение виртуальной реальности может привести к потере компетенций у людей.  

• Первый пример восстановления структуры вещества по фотографии.  

• Область будет активно развиваться в ближайшем будущем.  

• Необходимы большие объемы данных и обучение для точного определения структурной формулы.  

• Искусственный интеллект может иметь творческую компоненту, как у человека.  

• Внутренняя температура в чат-ботах определяет долю логического и случайного мышления.  

• Творческая интуиция уже заложена в программы, но ее практическое применение пока неизвестно.  

• Катализаторы состоят из множества частиц, что затрудняет их полное выделение после реакции.  

• В экспериментах с малым количеством катализатора его можно полностью выделить.  

• Потери катализатора неизбежны, но их можно минимизировать.  

• Запрет на упоминание искусственного интеллекта как соавтора в научных статьях.  

• Юридические соглашения требуют подписи человека, что вызывает проблемы.  

• Обязательное упоминание использования алгоритмов искусственного интеллекта в научных работах.  

• Вопрос о том, как человек будет работать с огромным объемом данных.  

• Проблема хранения данных, особенно в химии, где количество соединений огромно.  

• Необходимость новых центров обработки данных для хранения и обработки информации.  

• Вопрос о влиянии ИИ на количество рабочих мест и его замене человека.  

• ИИ замещает рутинные операции, но не заменит полностью человека.  

• Перераспределение профессий на рынке труда и важность освоения обработки данных.  

• Проекты по использованию ИИ в ядерной химии и физике.  

• Важность синтетических данных для обучения алгоритмов.  

• Примеры крупных научно-исследовательских проектов, таких как СКИФ.  

• Вопрос о доверии к анализам нейросетей и возможных ошибках.  

• Ошибки в машинных алгоритмах неизбежны, но их можно проверить экспериментально.  

• Проблемы с накоплением ошибок в ИИ и важность проверки результатов экспериментально.  

• Искусственный интеллект является моделью, что делает его приближением.  

• Квантово-механические расчеты дают точную картину химических процессов, но ограничены размером системы.  

• Нейронные сети могут обрабатывать данные квантовой механики для обучения.  

• Квантово-механические расчеты не могут точно описать системы с более чем тысячей атомов.  

• Даже суперкомпьютеры не могут справиться с такими задачами.  

• Машинное обучение может работать с системами разного размера, используя квантовые данные для обучения.  

• Машинное обучение может оперировать системами разного размера.  

• Объем данных для обучения варьируется от нескольких десятков до миллионов примеров.  

• Квантово-механические расчеты останутся, но их размер ограничен.  

• Выбраны три самых интересных вопроса.  

• Завершение мероприятия с благодарностью студентам за активное участие.  

• Подчеркнута важность знания математики и программирования для машинного обучения.