МОСКВА, 29 июня. /ТАСС/. Специалисты Института химии растворов им. Г.А. Крестова РАН (ИХР РАН) в городе Иваново совместно с коллегами из Ивановского государственного химико-технологического университета разработали методику предсказания спектральных свойств будущих красителей. Как сообщили в четверг в пресс-службе Минобрнауки РФ, новая технология с использованием искусственного интеллекта позволит химикам во много раз сократить время на поиск молекулы с необходимыми свойствами.
"Одна из областей применения методов машинного обучения - химия красителей. Однако создание светящихся красителей - долгая и кропотливая работа химиков, затрачивающих на разработку новой молекулы-красителя с необходимыми свойствами не один год. Использование методов машинного обучения позволит ученому-химику многократно сократить время на разработку такой молекулы, оптимизировать затраты на ее получение и провести валидацию уже имеющихся экспериментальных данных. Ученые из города Иваново предложили использовать методы машинного обучения для предсказания таких спектральных свойств красителей, как положение максимума полосы поглощения, значения молярного коэффициента поглощения и химического сдвига в спектроскопии ядерного магнитного резонанса", - отметили в пресс-службе.
Старший научный сотрудник лаборатории компьютерного синтеза химических соединений ИХР РАН Александр Ксенофонтов рассказал, что исследователи научили несколько электронных моделей точно предсказывать положение максимума полосы поглощения, значения молярного коэффициента поглощения и химического сдвига ядерного магнитного резонанса для широкого ряда красителей. Для этого ученые использовали передовые алгоритмы машинного обучения и набор из более чем 20 тысяч экспериментальных данных.
Каждая модель способна предсказывать заданные свойства даже для тысячи разных молекул всего за несколько секунд. От пользователя она требует только введения исходных данных интересующей молекулы. В настоящее время ученые собирают данные по химическим и биологическим свойствам соединений разных классов и создают новые модели, используя алгоритмы машинного обучения.
Исследование выполнено в рамках программы мегагрантов в рамках национального проекта "Наука и университеты".