Представьте, что химик провёл сотни экспериментов и знает, при какой температуре, концентрации и количестве катализатора получается больше всего нужного вещества. Для практического синтеза этого достаточно, но остаётся фундаментальный вопрос: почему именно эти условия работают? Чтобы ответить на него, обычно приходится проводить новую серию экспериментов и следить за реакцией во времени. Исследователи Токийского университета предложили другой подход: с помощью машинного обучения они научились извлекать часть скрытой информации о скорости химических процессов из данных, которые уже собираются при оптимизации реакции.
Новый метод получил название CYAN — concentration-dependent yield analysis, или анализ выхода, зависящий от концентрации. Его принцип интересен тем, что искусственный интеллект здесь не заменяет химическую модель. Сначала машинное обучение восстанавливает более подробную картину между отдельными экспериментальными точками, а затем химики применяют к полученной поверхности традиционные кинетические уравнения. В результате алгоритм помогает превратить набор значений выхода продукта в информацию о том, насколько быстро протекают различные стадии реакции.
Разница между выходом и кинетикой принципиальна. Если эксперимент показал, что при определённых условиях получилось 90% нужного продукта, химик знает конечный результат, но далеко не обязательно понимает путь к нему. Реакция могла быстро образовать промежуточное соединение, медленно перейти к продукту, конкурировать с побочным процессом или сначала двигаться в нежелательном направлении. Кинетика пытается восстановить именно эту динамику, а для этого традиционно измеряют концентрации веществ через разные промежутки времени.
CYAN использует данные иначе. При оптимизации синтеза химики и без того проводят множество опытов с различными концентрациями реагентов и условиями, получая своеобразную карту конечных результатов. Машинное обучение интерполирует экспериментальные значения и заполняет пространство между измеренными точками, создавая значительно более плотное представление зависимости выхода от условий. Затем исследователь задаёт предполагаемый механизм реакции и соответствующие ему уравнения скорости, а система позволяет оценить кинетические параметры, совместимые с наблюдаемыми результатами.
Это существенно отличается от идеи полностью доверить химию искусственному интеллекту. Авторы как раз столкнулись с недостатком предыдущих систем машинного обучения: алгоритм прекрасно находил условия, обеспечивающие высокий выход, но оставался «чёрным ящиком». Он мог сообщить химикам, что нужно сделать, но не объяснял химическую причину успеха. CYAN пытается соединить способность алгоритма находить сложные зависимости с физически интерпретируемыми моделями, которыми химики пользуются больше столетия.
Проверкой стала никель-зависимая реакция образования крупных кольцеобразных углеродных молекул. Подобные синтезы особенно интересны с точки зрения кинетики, потому что исходные вещества могут двигаться по нескольким конкурирующим путям и образовывать разные продукты. Задача состоит не просто в ускорении химического процесса, а в том, чтобы заставить систему преимущественно двигаться по нужному маршруту.
Анализ выявил неожиданную роль никеля. Он способствовал образованию целевого молекулярного кольца, но одновременно замедлял конкурирующий процесс, способный привести к нежелательным продуктам. На первый взгляд торможение химической реакции кажется недостатком, однако в разветвлённой системе оно может быть преимуществом. Если представить реакцию как реку, разделяющуюся на два русла, сужение одного канала заставляет большую часть потока идти по другому.
Такой результат меняет привычный взгляд на так называемый шаблонный эффект металла. Обычно металлический шаблон представляют как средство, ускоряющее образование нужной структуры, например удерживая реагирующие части молекулы в выгодном положении. В исследованной системе положительный эффект оказался связан в том числе с противоположным действием: никель ограничивал нежелательный путь. Иногда хороший катализатор или шаблон помогает синтезу не потому, что максимально разгоняет всё происходящее, а потому, что правильно расставляет химические «тормоза».
Это важная идея для органического синтеза. Выход продукта определяется не только скоростью желаемой стадии, но и соревнованием множества процессов. Можно пытаться ускорять нужную реакцию, а можно замедлить конкурентов. CYAN способен помочь увидеть такую картину в данных, которые раньше использовались преимущественно для поиска максимального выхода, и тем самым подсказать совершенно другую стратегию оптимизации.
Особенно любопытна возможность повторного анализа старых экспериментов. Научная литература хранит огромные массивы результатов, где указаны концентрации реагентов, условия и выход продуктов, но подробные кинетические измерения никогда не проводились. Если такие данные достаточно качественны, новый подход позволяет попытаться извлечь из них дополнительную информацию спустя десятилетия или даже столетия после первоначального эксперимента.
Исследователи продемонстрировали это на данных XIX века. Они взяли результаты экспериментов, выполненных 176 лет назад, и с помощью нового подхода получили константу скорости, согласующуюся с современным значением. Это необычный пример того, как искусственный интеллект способен сделать старые научные данные более информативными: эксперимент невозможно повторить в прошлом, но содержащуюся в его результатах информацию можно прочитать новым способом.
Однако CYAN не превращает измерение выхода в полноценную замену химической кинетики. Результат зависит от качества исходных данных и от того, насколько разумна предложенная химиком модель механизма. Если исследователь заложил неправильную схему реакции, красивое математическое соответствие ещё не гарантирует правильного объяснения. Когда необходимы точные кинетические параметры или механизм остаётся спорным, прямые измерения изменения концентраций во времени сохраняют решающее значение.
Поэтому наиболее перспективна именно совместная работа двух подходов. Машинное обучение способно обработать большое пространство экспериментальных условий и обнаружить закономерности, которые человеку трудно увидеть вручную. Химик, в свою очередь, задаёт физически осмысленные уравнения и проверяет, соответствует ли предложенное объяснение реальной химии. Алгоритм не открывает механизм самостоятельно, а помогает исследователю проверить гипотезу на гораздо большем объёме информации.
В этом смысле CYAN показывает интересное направление развития научного искусственного интеллекта. Самая полезная система необязательно та, которая просто выдаёт лучший рецепт эксперимента. Гораздо ценнее алгоритм, который позволяет человеку понять, почему этот рецепт работает. Если такой подход распространится на другие реакции, огромные архивы синтетической химии могут оказаться не просто каталогом удачных и неудачных опытов, а скрытой библиотекой кинетических данных, которую раньше мы просто не умели читать.
- Понравилось: 14
А затем «Добавить на главный экран». 