Нейросетевой алгоритм повысил точность расчета энергий химических реакций почти на 26%

Ученые доработали инструмент для моделирования химических реакций и прогнозирования свойств молекул. В основе метода нейросеть, которая помогает точнее настраивать параметры расчетов. Предложенный алгоритм отличается от полностью нейросетевых решений тем, что не нарушает фундаментальные законы физики. При этом ошибка в расчетах энергии химических реакций снижается почти на 26%. Благодаря этому можно точнее описывать поведение электронов в сложных химических системах. Это важно при прогнозировании свойств веществ, например при разработке лекарств, катализаторов и материалов. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в Journal of Chemical Theory and Computation.

Работа опирается на теорию функционала плотности, ключевой инструмент вычислительной химии. С его помощью определяют распределение электронов вокруг ядер молекулы. Зная электронную плотность, можно рассчитать энергию молекулы, ее форму, прочность связей и физические свойства, а также предсказать реакции с другими веществами. Универсального точного функционала плотности пока не существует, поэтому химики используют множество разных моделей. У каждой из них есть собственные ограничения.

Исследователи из Института органической химии имени Н.Д. Зелинского РАН, Сколтеха, Московского государственного университета имени М.В. Ломоносова и Высшей школы экономики предложили другой подход. Нейросеть здесь не создает функционал заново. Она дополняет уже существующий вариант, который изначально согласуется с физическими законами, и подстраивает его параметры под конкретную систему, не нарушая исходных ограничений.

Нейросеть обучили на примерах молекул с известными точными значениями энергий. Так она смогла выявить скрытые закономерности и использовать их для корректировки параметров модели. С помощью нового инструмента ученые выполнили расчеты для 30 типов реакций, постепенно уточняя электронную плотность до устойчивого результата. В итоге функционал, усиленный нейросетью, дал почти на 26% более точные расчеты по сравнению с исходным функционалом без нейросети.