Чем точнее предскажешь этот момент, тем проще создать условия для нужной реакции. Проблема в том, что сегодня такие расчеты требуют суперкомпьютеров и кучи времени.

Результаты опубликованы в издании Nature Machine Intelligence.

Но команда MIT придумала нейросеть, которая справляется с этим за секунду. Их модель React-OT учится на данных квантовой химии, но вместо случайных догадок начинает с умного приближения — берет середину между исходными веществами и продуктами. Так она находит переходное состояние в пять шагов, тратя меньше секунды, и ошибается реже, чем предыдущие алгоритмы.

Мы хотим превращать доступное сырье во что-то ценное: лекарства, топливо, материалы. Для этого нужно точно знать, как идут реакции, — объясняет Хизер Кулик, профессор химии и соавтор работы.

Модель уже тестировали на 9000 реакций — в основном с небольшими органическими молекулами. Но она справляется и с крупными структурами, где важна только часть атомов. Сейчас ее дорабатывают, чтобы работала с серой, фосфором и другими элементами.

Загрузите в наше приложение реагенты и продукты — оно покажет переходное состояние и энергию, которая нужна для реакции, — говорит Ченру Дуань, ведущий разработчик.

Такие алгоритмы весьма занимательны, ведь они:

• Снижают затраты. Квантово-химические симуляции съедают огромные ресурсы. Машинное обучение сокращает их в тысячи раз.
• Открывают новые пути. Химики смогут проверять гипотезы мгновенно — и находить неочевидные реакции.
• Делают химию доступнее. Лаборатории без суперкомпьютеров получат инструмент для сложных синтезов.

Это уверенный шаг к «зеленой» химии: можно быстрее подбирать условия для экологичных процессов.

Ранее ученые сообщили о создании технологии для моделирования каталитических реакций.