Цифровая химия: направления развития искусственного интеллекта в химической науке

Рассмотрено формирование цифровой химии как исследовательской и технологической программы на стыке химии, анализа больших данных, машинного обучения, компьютерного зрения, автоматизации и цифровой инфраструктуры. Особое внимание уделено работам российской научной школы, в которых была последовательно показана применимость специализированных алгоритмов искусственного интеллекта к задачам масс-спектрометрии, электронной микроскопии, анализу видеоданных, катализу, молекулярной сложности, поиску реакций и проблеме потерянных данных. Показано, что совокупность проведенных исследований образует связную методологию цифровой химии: от оцифровки химических объектов и автоматизации анализа данных до формирования цифровых карт процессов, поиска скрытых закономерностей и проектирования новых сценариев исследований. Согласно проведенному анализу именно в российской химической школе была разработана одна из первых целостных концепций цифровой химии как самостоятельного направления исследований. Её ключевой особенностью стало органичное сочетание теоретической базы с экспериментальной прикладной верификацией данных.

Ключевые слова: аддитивные технологии; искусственный интеллект; компьютерное зрение; масс-спектрометрия; машинное обучение; потерянные данные; химические данные; цифровая химия; цифровой катализ; электронная микроскопия.

Понятие цифровой химии в последние годы трансформировалось в активно развивающееся исследовательское направление, объединяющее машинное обучение, роботизацию, технологию цифровых двойников 1-3, автоматизированное планирование синтеза, компьютерное зрение, обработку естественного языка 4-6, анализ приборных данных и новые формы человеко-машинного взаимодействия в лаборатории 7,8. В мировой литературе цифровая химия обычно обсуждается как часть более широкого движения «ИИ для науки» («AI for science») 9-11, где алгоритмы не только ускоряют анализ данных, но и перестраивают логику постановки эксперимента, отбора гипотез и организации исследовательского цикла 12-14.

В современной российской химической науке данную проблематику первым сформулировал В.П. Анаников, который, начиная с 2020 г., последовательно связывал ИИ не с абстрактной цифровизацией, а со специализированными алгоритмами для обработки химических данных, экспериментальной аналитикой, катализом, материаловедением, малотоннажной химией и их внедрением в промышленную практику 15-20. Принципиально важно, что обсуждаемая программа развивалась не в форме декларативных тезисов, а как серия экспериментальных работ, в которых машинное обучение применялось к реальным химическим данным – от масс-спектров и данных электронной микроскопии до видеопотоков экспериментальных систем и карт каталитических состояний 21-26.

Рис. 1. Взаимосвязь различных сценариев цифрового развития химии и изменение глубины трансформации науки и темпов накопления новых знаний в зависимости от выбранной стратегии цифровизации. Воспроизводится из работ 16,18.

Визуализация карты знаний (рис. 1) показывает, что цифровая трансформация химии не сводится к единственному направлению. Она включает по меньшей мере четыре взаимосвязанных стратегических узла: инновации в лабораторных и технологических процессах (Laboratory and Process Innovations) и прозрачность цепочек поставок (Supply Chain, Transparency and Quality Assurance); анализ больших данных (Data Analysis) и моделирование и симуляцию процессов (Simulation and Modeling); дизайн материалов (Material Science); а также экологические (Environmental Technologies) и медико-химические (Chemical Biology and Digital Medicine) направления. Такая систематизация имеет важное методологическое значение: цифровая химия предстает здесь не как добавление внешнего ИИ-инструмента к готовой дисциплине, а как перестройка всей цепочки получения знаний: от регистрации сигнала и хранения данных через их анализ, интерпретацию и моделирование к решению конкретных прикладных задач 1, 16, 27-29.

Рис. 2. Интеграция ИИ-исследователя в химию: исторически сложившаяся практика (а) и генерация гипотез с использованием ИИ на основе ранее проведенных экспериментов (б). Воспроизводится из работ 18,30.

Недавние исследования демонстрируют принципиальный переход от классической схемы «эксперимент – пробоподготовка – анализ – публикация» к подходу, в котором накопленные химические данные становятся источником новых гипотез и новых химических превращений (рис. 2). Именно этот сдвиг – от обслуживания эксперимента к участию в создании научной гипотезы – составляет наиболее существенный признак цифровой химии как новой методологии 5, 9, 18. В этом отношении особенно важен алгоритм выделения трех уровней применения ИИ: ИИ-ассистент, ИИ-аналитик и ИИ-исследователь. Он позволяет отличить популярные универсальные инструменты от химических специализированных решений и систем, претендующих на участие в генерации научных сценариев 16, 18.

От автоматизации анализа к специализированным химическим алгоритмам

Отправной точкой обсуждаемой программы стала работа с первичными химическими данными. Уже в 2020 г. в исследовании по масс-спектрометрии была установлена прямая зависимость между точностью измерения массы и количеством получаемых структурных интерпретаций и явно обозначена задача подготовки качественных данных и оценки пределов интерпретации для будущих методов машинного обучения (ML) 15. Это принципиально отличается от риторики «ИИ как черный ящик»: эффективность цифровой химии здесь определяется качеством экспериментальных данных, разрешающей способностью прибора, типом спектральной информации и вычислительной сложностью перебора формул. Такой подход согласуется с мировым пониманием того, что в химии производительность ML-моделей определяется не только их архитектурой, но и характеристиками набора данных, их структурой, полнотой представления отрицательных результатов и корректной репрезентацией химических данных 2, 31-33.

Следующим шагом стало превращение массивов приборных данных в машиночитаемые ресурсы. Были опубликованы работы, в которых были представлены результаты электронной микроскопии для анализа упорядоченности и локализации наночастиц 21, а также показана возможность извлечения из изображений информации о дефектности и локальных нарушениях порядка с использованием глубоких нейросетей 22. Тем самым был реализован важный принцип цифровой химии: сначала химический объект переводится в стандартизированный цифровой формат, затем создается алгоритм его количественного описания, после чего появляются основания для автоматизации интерпретации.

Это направление получило развитие в работе, посвященной полностью автоматизированному анализу высокоразрешающих масс-спектрометрических данных без жестких ограничений по объему обработки, неизбежных при ручном анализе 25. Здесь цифровая химия уже не сводится к построению вспомогательного классификатора: алгоритм становится частью аналитического процесса, будучи способен работать с многообразием сигналов, скрытых компонент и большими массивами спектров. Такая логика получила дальнейшее развитие в работе, где с использованием методов машинного обучения был реализован анализ масштабных массивов накопленных масс-спектрометрических данных, позволивший выявить раннее не описанные химические реакции без проведения новых экспериментов 30. Было показано, что этот пассивный массив информации может выступать источником нового химического знания (рис. 2.). Подобные подходы находятся в русле международных усилий по переходу от статистических баз данных реакций к методам реакционного поиска, классификации и навигации в химическом пространстве 4, 32, 34.

Характерно, что в обсуждаемой серии работ цифровой подход не ограничивается спектральными данными. В частности, было показано, что интуитивное и трудно формализуемое химическое понятие молекулярной сложности может быть перенесено в цифровую плоскость с помощью методов машинного обучения 35. Здесь важен не только частный результат, но и сама постановка задачи: если цифровая химия претендует на участие в синтезе гипотез, она должна уметь работать не только с измеряемыми сигналами, но и с эвристическими категориями, которыми традиционно оперирует химик. В этом смысле работа образует мост между ИИ-аналитиком и ИИ-исследователем в рамках единой концепции развития цифровой химии 18.

Компьютерное зрение, визуальная аналитика и новые формы химического анализа

Второе важное направление цифровой химии связано с переводом изображений и видеоданных в количественные химические дескрипторы. В работе, посвященной анализу систем ионы/вода, нейросетевой анализ был применен к видеоданным электронной микроскопии для описания температурно-индуцированной динамики микрофаз 23. Впоследствии эта линия была продолжена в статье, анализирующей системы ионных жидкостей на основе данных электронной микроскопии в реальном времени с использованием методов глубокого обучения и классического компьютерного зрения 36. Было показано, что даже сложная динамика жидкофазной системы может быть представлена как набор автоматически извлекаемых параметров движения и морфологии.

Отдельное значение имеют работы по автоматическому распознаванию наночастиц и дефектных областей на микроскопических изображениях 22, 37, а также исследование по изучению роста биопленок 38, что показывает расширение области применения цифровых методов от химии материалов и катализа к анализу биологических структур. Переход к генеративному моделированию изображений биопленок показывает, что цифровая химия в таком понимании естественным образом сближается с цифровой биологией и микробиологией, то есть с областями, где химические процессы описываются через визуальные паттерны, морфологические поля и сложные ансамбли объектов 39.

Особенно показательной является работа по распознаванию молекулярной структуры фосфониевых солей и различий между их близкими гомологами 40, в которой решается почти парадоксальная для классической химии задача: извлечение информации о молекулярной структуре вещества из визуальных данных. С методологической точки зрения этот результат важен не только сам по себе, но и как демонстрация расширения возможности исследования химических процессов. Если раньше связь между структурой и свойством устанавливалась преимущественно через спектры и расчетные дескрипторы, то теперь в этот арсенал входят и визуальные данные, обрабатываемые методами глубокого обучения. Аналогичные тенденции наблюдаются и в международной литературе по компьютерному зрению в материаловедении и электронной микроскопии 41-43.

Работа, посвященная интеграции тепловизионных данных и нейронных сетей для анализа механической прочности и прогнозирования разрушения 3D-печатных полимерных изделий 26, развивает данное направление, распространяя ее на макроскопические объекты и инженерные приложения. Здесь цифровой анализ изображений используется уже не для распознавания структуры, а для прогноза механических характеристик. В сочетании с концептуальной статьей о роли ИИ в аддитивных технологиях это показывает, что цифровая химия выходит за пределы лабораторного эксперимента и охватывает весь путь от материала до изделия 44.

Цифровой катализ: от карт состояний к 4D-анализу

Для химии катализаторов цифровая трансформация особенно важна, поскольку именно здесь объем экспериментальных данных быстро становится несоразмерным скорости их ручной интерпретации. Изучение индивидуальных частиц катализаторов Pd/C показало, что алгоритмы глубокого обучения позволяют различать активность отдельных частиц и выявлять редкие, но чрезвычайно важные каталитические события 24. В продолжение работы данные мониторинга были превращены в карты образования и функционирования каталитических центров во времени 45. Это принципиально важный шаг: цифровой анализ в химии начинает работать не только с объектом, но и с его динамической траекторией.

Именно эта логика была затем развита в работе, в которой была предложена концепция 4D-катализа, основанная на интеграции многоуровневого сбора данных и их анализа методами машинного обучения 46. Четвертое измерение здесь – время, а не просто последовательность картинок; тем самым машинное обучение используется для перехода от статической характеристики катализатора к анализу его эволюции до, во время и после реакции. В международной научной практике это перекликается с ростом интереса к самоуправляемым (self-driving) лабораториям, активному обучению и замкнутым циклам «измерение – модель – следующий эксперимент» 7-8, 11, 14, но в обсуждаемых работах акцент сделан именно на химической специфике динамических каталитических систем.

В ту же методологию укладывается и работа, в которой с использованием цифровых методов анализа исследуется обобщаемость каталитических закономерностей в Pd-катализируемых реакциях C-N кросс-сочетания 47. Важность подобных работ определяется тем, что они объединяют три уровня анализа: экспериментальные наблюдения, химическую интерпретацию и алгоритмическое обобщение. Именно это отличает цифровую химию от просто компьютерной поддержки химических исследований. В рамках такой программы алгоритм не заменяет химическую практику, а расширяет масштаб наблюдаемого и делает возможным анализ таких массивов данных, которые вручную были бы практически недоступны для обработки.

Потерянные данные, цифровая инфраструктура и переход к полному цифровому циклу

Одна из наиболее оригинальных и практически значимых тем обсуждаемой серии публикаций – проблема «спящих» и «потерянных» данных («sleeping» and «lost» data). В статье о потерянных данных в области электронной микроскопии подсчитано, что в рутинной практике более 90% получаемых микроскопических данных может оставаться неиспользованными 48. Эта работа важна по двум причинам. Во-первых, она переводит разговор о «больших данных» из общего лозунга в измеряемую проблему научной инфраструктуры. Во-вторых, она показывает, что дальнейшее развитие ИИ в химии упирается не только в разработку моделей, но и в способы хранения, стандартизации, повторного использования и публикации данных 21, 33, 49-50.

Данная проблема подробно описывается в статье «Цифровые технологии в химии и материаловедении», где необходимость цифровизации обосновывается низкой скоростью ручной обработки химических данных, потребностью в преодолении барьеров для трансфера знаний в области микро- и малотоннажной химии и потребностью создания полного цифрового цикла производства химической реакции 17. Показательно, что речь идет о специализированных алгоритмах именно для химии, а не о переносе универсальных ИИ-сервисов без учета специфики химических процессов, экспериментальных данных и рисков. Данная концепция в полной мере была впервые представлена в обзорной статье о 20 наиболее влиятельных ИИ-технологий в химии 16, где цифровая химия представлена как набор взаимосвязанных технологических траекторий – от аналитики и хемоинформатики до технологии цифровых двойников, высокопроизводительного экспериментирования (HTE), обработки естественных языков (NLP) и виртуальных лабораторий.

Рис. 3. Применение искусственного интеллекта в аддитивных технологиях – традиционная последовательная цепочка технологических этапов (круговая стрелка) и сквозная объединяющая технология с обратной связью на основе ИИ (прямые стрелки). Воспроизводится из работы 44.

Работы последних лет переносят методологию цифровой химии в инженерный контур (Рис. 3). ИИ здесь действует не как инструмент для решения локальных задач, а как сквозной механизм обратной связи, объединяющий этапы разработки материалов, производства, контроля качества, персонализацией, интеграцией и оптимизацией процессов. Для химической технологии это особенно важно, поскольку цифровой цикл способен радикально сократить путь от идеи и рецептуры до готового изделия или настройки технологического процесса. В результате цифровая химия интегрирует в себя не только исследовательскую, но и проектно-производственную логику 17, 26, 51.

Концептуальные исследования последних лет позволяют увидеть, как из серии экспериментальных статей складывается общая стратегия применения ИИ в химии и переход от отдельных приложений к осознанию цифровой химии как самостоятельного направления 19. В статье, посвященной роли искусственного интеллекта в химии, подчеркивается, что ИИ не заменяет химика, а изменяет требования к качеству подготовки данных, их воспроизводимости, а также к открытости кода и исходных массивов информации 20. Наконец, классификация применения ИИ в химии от автоматизации к цифровому научному мышлению дает рабочую иерархию уровней его внедрения и вводит представление об ИИ как активном участнике научного процесса 18. В совокупности это превращает цифровую химию из набора частных случаев в методологически структурированную программу.

Сопоставление этих работ с мировыми тенденциями показывает, что обсуждаемая программа находится в русле глобальных трендов «AI for science», но при этом имеет собственную структуру. Если в международной литературе основной фокус направлен на такие темы как соревновательные проекты и бенчмарки, агенты на основе больших языковых моделей (LLM), молекулярный дизайн и компьютерное материаловедение 4, 9-10, 29, 52-53, то в российской химической науке в центре внимания оказались, прежде всего, качественные данные, связь с экспериментом, катализ, проблема потерянных данных и перенос цифровых алгоритмов в реальную химическую инфраструктуру. Именно это сочетание и определяет специфику обсуждаемого вклада.

Таким образом, проведенный анализ демонстрирует, что публикации проекта цифровой химии и работы научной школы В.П. Ананикова формируют последовательную и внутренне согласованную программу модернизации современной химии. Логика программы последовательно выстраивается от подготовки качественных химических данных и создания специализированных датасетов к машинному анализу спектров, изображений и видеоданных; далее – к цифровым картам каталитических состояний, оцифровке эвристических химических понятий и, наконец, к постановке вопроса о новой роли ИИ в генерации гипотез и организации полного цифрового цикла химического исследования.

Важнейшая особенность этой программы состоит в том, что цифровая химия рассматривается как дисциплина с глубокой химической спецификой. В центре внимания находятся не пользовательские ИИ-сервисы, а специализированные алгоритмы, адаптированные для задач масс-спектрометрии, электронной микроскопии, катализа, дизайна материалов, организации малотоннажных процессов и аддитивным технологиям. Благодаря этому обсуждаемые работы имеют не только методологическую новизну, но и высокую практическую значимость.

Сопоставление с мировой научной практикой показывает, что развитие цифровой химии в России происходило синхронно с глобальным движением «AI for science», но с отчетливым акцентом на экспериментальную химию, интерпретацию приборных данных и инфраструктурные потребности реальной лабораторной практики. Именно поэтому обсуждаемая серия публикаций может рассматриваться как одна из первых целостных формулировок цифровой химии.

Перспективы дальнейшего развития этой области связаны с тремя направлениями: стандартизацией и повторным использованием химических данных; интеграцией алгоритмов в экспериментальные и производственные контуры; формированием методологических правил для систем, которые переходят от анализа к участию в научном поиске. Для химической науки в целом это означает переход от локальной цифровой поддержки к новой архитектуре исследования, в которой данные, алгоритмы и эксперимент работают как единая система.

Телеграм: t.me/ainewsline

Источник: zioc.ru

Комментарии: