Нейросети предскажут пользу молекул в 2 тысячи раз быстрее
Ученые из группы «Глубокое обучение в науках о жизни» Института искусственного интеллекта AIRI разработали метод, который позволит симулировать поведение органических молекул в 2 тысячи раз быстрее, чем традиционные подходы, основанные на решении уравнений квантовой физики. Подобные инструменты, исходя из межатомных взаимодействий молекул, дают возможность прогнозировать полезные свойства молекулярных структур без применения физических симуляторов, которые требуют значительных вычислительных мощностей. Компьютерное моделирование стало незаменимым помощником для химиков, поскольку оно позволяет предсказать свойства молекулы без предварительного синтеза. К числу наиболее популярных численных методов относятся методы на основе теории функционала плотности (DFT), которые позволяют предсказывать энергии молекулярных конформаций с высокой точностью. Однако DFT-симуляторы требуют значительного времени на вычисление. В последние годы активно развиваются подходы, использующие нейронные сети для более быстрого предсказания молекулярных свойств. Один из них опирается на использование нейросетевых потенциалов (NNP) для предсказания энергии молекулярной конформации. Команда исследователей из AIRI, ФИЦ ИУ РАН, МФТИ и Университета Констрактор в Бремене показала, что оптимизация с использованием NNP примерно в 2 тысячи раз быстрее, чем оптимизация с помощью DFT-симулятора. Вместе с тем, учёные выяснили, что обученные на имеющихся в открытом доступе наборах данных нейронные потенциалы не могу...
CHASPIK.SPB.RU