Сотрудники межкафедральной лаборатории интеллектуального химического дизайна химического факультета МГУ имени М.В. Ломоносова совместно с коллегами с механико-математического факультета разработали модель машинного обучения для оценки устойчивости комплексов редкоземельных элементов и трёхвалентных актинидов. Результаты исследования опубликованы в журнале The Journal of Chemical Physics.
Практическая сложность работы с редкоземельными элементами связана, в частности, с близостью их химических свойств. Это затрудняет разделение элементов и получение чистых металлов. Одним из применяемых научных подходов является поиск органических лигандов, способных селективно связываться с определёнными элементами и обеспечивать их выделение из смеси.
Как сообщили в МГУ, исследователи сформировали новую базу комплексообразующих агентов f-элементов на основе библиотеки NIST46 и научных публикаций, после чего обучили графовую свёрточную нейронную сеть. Модель прогнозирует константу устойчивости комплекса — показатель, характеризующий силу взаимодействия между ионом металла и лигандом.
Отличительной особенностью разработки стало объединение информации о комплексообразовании разных металлов в одной модели. По данным авторов, прогноз может быть получен даже для металла, который не входил в обучающую выборку. Исходный код опубликован в открытом доступе. При этом исследование пока сосредоточено на комплексах со стехиометрическим составом 1:1. Авторы намерены в дальнейшем изучать другие типы комплексов и продолжать работу совместно со специалистами в области химического синтеза.
Значение разработки для горнопромышленного комплекса прокомментировал Василий Ракитин, исполнительный директор Ассоциации «НП «Горнопромышленники России»», эксперт ТПП РФ, действительный член Академии горных наук.
«Для отрасли важен не сам факт применения нейросети, а характер задачи, которую она помогает решать. Речь идёт о предварительном отборе соединений, потенциально пригодных для разделения редкоземельных элементов и актинидов. Экспериментальная работа с такими объектами может быть сложной, дорогостоящей, а в случае актинидов требует соблюдения специальных требований безопасности. Если модель позволяет заранее сузить круг вариантов для последующего синтеза и лабораторной проверки, это способно сократить объём заведомо неперспективных экспериментов», — отметил Василий Ракитин.
По словам эксперта, для горнопромышленной отрасли принципиально важно рассматривать всю технологическую цепочку — от минерального сырья до разделённых компонентов и материалов с заданными характеристиками. Наличие сырьевой базы само по себе не решает задачу получения конечной продукции. Необходимы технологии переработки, разделения и очистки, которые могут быть воспроизведены в промышленном масштабе.
«Разработка МГУ пока не является готовой промышленной технологией разделения редкоземельных элементов. Нейросеть прогнозирует устойчивость комплексов и помогает выбирать направления дальнейшего поиска. После этого потребуются синтез соединений, экспериментальная проверка, определение технологических режимов, оценка безопасности, масштабируемости и экономики процесса. В опубликованных материалах нет данных о промышленном пилоте или коммерческом применении модели, поэтому говорить о готовом производственном решении преждевременно», — подчеркнул эксперт.
Вместе с тем открытая публикация исходного кода создаёт возможности для проверки и дальнейшего развития модели научными коллективами. По мнению Василия Ракитина, практический эффект может появиться при последовательном взаимодействии разработчиков, химиков-синтетиков и потенциальных промышленных потребителей.
«В подобных проектах необходимо с самого начала разделять научный результат, лабораторную технологию и промышленное решение. Стратегический эффект возникает только тогда, когда расчётная модель проходит экспериментальную проверку и становится частью воспроизводимого и экономически обоснованного технологического процесса. Работа учёных МГУ представляет интерес именно как инструмент, способный ускорить первый этап этого пути», — заключил Василий Ракитин.