ИИ в химии | Кино-лекции Знание.Наука

• Ошибки выжившего: видим только успешные примеры.  

• Важно не относиться к химии как к магии.  

• Нет журнала неудач в химии.  

• Артем Митрофанов, выпускник факультета наук о материалах МГУ.  

• Кандидат химических наук, старший сотрудник химического факультета МГУ.  

• Возглавляет межкафедральную лабораторию интеллектуального химического дизайна.  

• Область, которая быстро развивается и предлагает удобные инструменты.  

• Основная прикладная задача химии: создание веществ с заданными свойствами.  

• Понимание фундаментальных взаимодействий и закономерностей.  

• Вопросы синтеза и масштабирования новых веществ.  

• Традиционно решаются методом проб и ошибок.  

• Часто возникают проблемы с токсичностью и радиационной стойкостью.  

• Поиск новых соединений в освещенных областях.  

• Использование уже известных соединений для экономии времени и ресурсов.  

• Ограничение поиска в неизведанных областях.  

• Использование численных методов для оценки свойств новых соединений.  

• Создание предъективных моделей для оценки свойств гипотетических соединений.  

• Генеративные модели для автоматизации процесса создания молекул.  

• Оптимизационные модели для существующих технологий.  

• Применение на ранних стадиях дизайна.  

• Завод производит продукт, соблюдая ГОСТы и минимизируя затраты.  

• Можно изменять температуру синтеза, компоненты сплава и другие параметры.  

• Планомерный перебор вариантов может быть дорогостоящим, поэтому нужны алгоритмы для сокращения шагов.  

• Спектральные данные требуют автоматизации и минимизации ошибок.  

• Алгоритмы должны возвращать результаты с определенной точностью.  

• Искусственный интеллект помогает ускорить и улучшить методы анализа.  

• Квантовая химия использует численные методы для решения уравнений Шредингера.  

• Расчеты требуют много времени и ресурсов, что делает их менее эффективными.  

• Ускорение расчетов с помощью ИИ может быть целесообразным.  

• ИИ включает алгоритмы, выполняющие задачи, ранее считавшиеся человеческими.  

• Примеры: чат-боты, системы компьютерного зрения, алгоритмы для химических данных.  

• ИИ остается областью математики и алгоритмов с большим количеством коэффициентов.  

• Сбор данных для химических задач сложнее, чем для текстовых или изображений.  

• Недостаток данных может быть основной проблемой.  

• Научные журналы публикуют данные в бумажном формате, что затрудняет сбор информации.  

• Наука о данных объединяет математику, статистику, алгоритмы и целевые области.  

• Подготовка данных занимает больше времени, чем их обработка.  

• Современные компьютеры и серверы могут обрабатывать химические данные, что делает ИИ более доступным.  

• Хорошие модели и алгоритмы важны, но без качественных данных они бесполезны.  

• Плохие данные приводят к неверным предсказаниям.  

• Начинать нужно с планомерного сбора данных.  

• Часто приходится обращаться к специалистам для анализа данных.  

• Автоматические алгоритмы пока работают плохо.  

• Формирование таблиц из статей вручную остается актуальной задачей.  

• Химические данные часто сопровождаются шумом и погрешностями.  

• Важно собирать данные самостоятельно для сложных задач.  

• Базы данных помогают предсказывать свойства, но для сложных задач нужны новые данные.  

• Большинство алгоритмов машинного обучения созданы для текстовых или графических данных.  

• Химические данные часто представлены в виде структур и спектров.  

• Необходимы специальные алгоритмы для работы с такими данными.  

• Задача построения предсказательных моделей для материалов.  

• Важно найти численное соотношение между структурой и свойствами.  

• Методы машинного обучения и кодирование данных развиваются.  

• Параметрические модели имеют ограниченную область применимости.  

• Важно учитывать, где модель может быть использована.  

• Модели часто используются как часть генеративных моделей для генерации структур с заданными свойствами.  

• Генеративные модели в материаловедении пока не могут полностью восстанавливать структуры.  

• В области генерации молекул ситуация лучше, но ошибки все еще встречаются.  

• В прошлом году на олимпиаде школьники успешно генерировали молекулы с заданными свойствами.  

• Оптимизационное моделирование помогает минимизировать расходы и находить новые соединения.  

• В химии молекулы имеют трехмерные структуры, которые можно оптимизировать для нахождения минимальной энергии.  

• Использование байесовского формализма и нейронных сетей ускоряет процесс оптимизации.  

• Нейронные сети автокодировщики помогают анализировать спектральные данные.  

• Они могут сжимать данные и строить модели для выделения индивидуальных компонентов.  

• Это позволяет сравнивать спектры с известными базами данных.  

• Алгоритмы могут читать статьи и выделять полезную информацию.  

• Они помогают находить взаимосвязи между лекарствами и болезнями.  

• Это сокращает расходы на разработку новых лекарств для редких заболеваний.  

• Квантовую химию можно ускорить до единиц секунд, сохраняя точность.  

• Модели требуют длительной тренировки, что сокращает их область применимости.  

• Нейронные сети могут апроксимировать сложные функции, но требуют большого количества параметров.  

• Модели не всегда применимы к новым классам соединений.  

• Можно встраивать проверки в модели для оценки их применимости.  

• Хорошо умеем предсказывать свойства соединений на основе структуры.  

• Умеем ускорять квантовую химию, но область применимости ограничена.  

• Учимся предсказывать свойства материалов с дефектами и строить модели в условиях нехватки данных.  

• Автоматизируем приборный анализ, но не все варианты анализа можно автоматизировать.  

• Умеем предлагать схемы синтеза, но это не всегда работает на 100%.  

• Анализируем текстовые данные, но это требует доработки.  

• Оптимизируем процессы, но убедить в этом химиков сложно.  

• Учимся автоматизировать лабораторные процессы, но это пока не рутинная задача.  

• Важно помнить, что искусственный интеллект в химии требует работы с данными и учета области применимости моделей.  

• Чем больше данных, тем лучше для развития моделей.  

• Большие базы данных доступны для академического сообщества, но иногда требуют подписки или оплаты.  

• Вопросы лицензирования данных остаются актуальными.  

• Клинические данные могут быть обезличенными или персональными.  

• Существуют открытые базы данных для исследований, но их использование ограничено.  

• ИИ используется в разработке лекарственных препаратов и материалов.  

• Методы ИИ для разработки материалов появились около пяти лет назад.  

• Студенты уже используют ИИ для написания дипломов, что можно считать примером внедрения.  

• Пример: ноутбук, созданный с использованием технологии органических полупроводников, начавшейся с машинного обучения.  

• Статья о таких материалах появилась в 2016 году.  

• Вопрос о возможности анализа эмоций с помощью химии.  

• Пример: прибор, созданный на факультете, который определяет уровень сахара в крови по содержанию метаболитов в поте, заменяя инвазивную процедуру взятия крови.  

• Благодарность за вопросы и внимание.  

• Прощание.