Этот инструмент ускорит разработку новых лекарственных молекул, сообщила пресс-служба Института искусственного интеллекта AIRI. «Мы соединили проверенные временем математические методы с современным ИИ, чтобы сделать квантовую химию доступнее для реальных задач. В основе предложенной технологии три основных компонента: улучшенная архитектура нейронной сети, новый метод нормализации данных для обучения, а также старая и хорошо опробованная математическая идея», — отметил старший научный сотрудник AIRI Константин Ушенин, чьи слова приводит пресс-служба института.
По словам ученых, сейчас химики и биологи используют методы квантовой химии для предсказания того, как будут вести себя те или иные молекулы. Проведение подобных расчетов требует огромного количества времени и вычислительных ресурсов, так как их сложность растет экспоненциальным образом с добавлением каждого нового атома и электрона, участвующего в химических реакциях.
В последние годы математики, химики и физики пытаются обойти эти проблемы при помощи квантовых компьютеров и нейросетей, способных определять то, как будут взаимодействовать атомы в произвольно устроенных молекулах. Системы ИИ позволяют на порядки ускорить эти расчеты, однако для их разработки требуются огромные массивы данных для обучения, занимающие десятки и сотни терабайт памяти.
Российским ученым удалось решить эту проблему при помощи так называемой решетки Лебедева — математического подхода, разработанного в СССР в 1980 гг. для оптимального распределения точек на сфере. Его применение позволило сократить объем данных для обучения в 42 раза и требования к накопителям примерно в восемь раз. Кроме того, нейросеть обучается в четыре раза быстрее аналогов за счет снижения нагрузки на каналы передачи данных.
Проведенные исследователями проверки этой системы ИИ показали, что она превосходит уже существующую европейскую ИИ-систему DeepDFT при проведении расчетов, связанных с лекарственными молекулами, в том числе с веществами, которые содержат в себе атомы серы, брома и йода, а также многих элементов из 3−4 периодов таблицы Менделеева. В дополнение к этому, она обладает вдвое меньшей ошибкой предсказания, чем у DeepDFT, что значительно расширяет перспективы ее практического применения, подытожили ученые.