Межкафедральная лаборатория интеллектуального химического дизайна химического факультета МГУ совместно с коллегами с механико-математического факультета разработала новую модель машинного обучения. Она предназначена для оценки стабильности комплексов редкоземельных элементов и трехвалентных актинидов.
Использование машинного обучения существенно сокращает временные и материальные затраты в химической науке. Это особенно актуально для таких сложных и дорогостоящих объектов, как лантаноиды и актиноиды, из‑за их уникальных свойств, обусловленных наличием f‑электронов. Эти элементы находят широкое применение в высокотехнологичной промышленности.
Лантаноиды вместе со скандием и иттрием образуют группу редкоземельных элементов. Они используются в производстве постоянных магнитов, батарей, электронных устройств и лазеров. Редкоземельные элементы не встречаются в природе в чистом виде и содержатся в минеральном сырье в микроскопических количествах. Их схожие химические свойства затрудняют переработку и получение чистых металлов, что делает этот процесс дорогостоящим и сложным.
Актиноиды, будучи радиоактивными, играют ключевую роль в ядерной промышленности. Эффективное выделение актиноидов из отработанного ядерного топлива способствует созданию замкнутого ядерного цикла и снижению объема радиоактивных отходов. Для разделения редкоземельных элементов и актиноидов используются специально разработанные органические лиганды, которые селективно связываются с конкретными элементами, обеспечивая их выделение из смеси.
Заведующий лабораторией интеллектуального химического дизайна химфака МГУ Артем Митрофанов отмечает: «Из‑за схожести химических свойств f‑элементов и радиоактивности актиноидов экспериментальное изучение их разделения ограничено. Использование машинного обучения значительно упрощает выбор лигандов для синтеза и исследований. Алгоритм, аналогичный машинному зрению, анализирует графы молекул. Ранее наша группа разработала модели для оценки свойств комплексов лантаноидов, но они использовали только данные о структуре лигандов, что ограничивало выборку. В новом исследовании мы создали нейросетевую архитектуру, объединяющую всю информацию о комплексообразовании, что позволяет точнее предсказывать свойства комплексов».
Исследователи разработали новую базу данных комплексообразующих агентов f‑элементов, используя данные библиотеки NIST46 и научные публикации. На основе этой базы они обучили графовую сверточную нейронную сеть, прогнозирующую константу устойчивости комплексов и расширяющую список элементов, для которых можно проводить такие расчеты с помощью машинного обучения. Новая модель уникальна тем, что для ее применения металл не обязательно должен быть представлен в обучающей выборке. Исходный код модели опубликован в открытом доступе.
«Наша модель показала превосходные результаты по сравнению с аналогами. Она успешно предсказывает свойства актинидов, работа с которыми сложна из-за недостатка экспериментальных данных. Исследование сосредоточено на комплексах со стехиометрией 1:1, но в будущем мы планируем рассмотреть и другие типы. Важным направлением остается совместная работа с коллегами-синтетиками, так как наша модель упростит поиск более эффективных и селективных лигандов, включая переработку отработанного ядерного топлива», – говорит Артем Митрофанов.
Исследование выполнено при поддержке Министерства экономического развития Российской Федерации.
Источник: msu.ru
распечатать статью
