Ученые из Института AIRI создали инновационный метод машинного обучения, позволяющий с высокой точностью предсказывать оптические свойства молекул. Этот подход может существенно ускорить разработку красителей, OLED-материалов и биомаркеров.
Основа нового метода — 3D-графовые нейронные сети, которые учитывают не только химический состав молекулы, но и ее пространственное расположение атомов. Это позволило значительно снизить ошибку предсказания по сравнению с существующими моделями. В результате точность предсказаний улучшилась более чем на 30%.
Для обучения нейросети был создан специализированный набор данных nablaColors-3D, включающий экспериментальные данные об оптических свойствах молекул и их трехмерные структуры. Все записи были тщательно проверены и исправлены для исключения ошибок.
В ходе исследования было проведено сравнение пяти современных моделей, работающих с геометрией молекул: PaiNN, DimeNet++, UniMol+ и другие. Каждая модель предобучалась на крупных химических датасетах, а затем дообучалась на наборе nablaColors-3D для предсказания экспериментальных спектров.
Качество предсказаний оценивалось по средней абсолютной ошибке между предсказанной и экспериментальной длиной волны. Лучшая модель, не учитывающая пространственную структуру молекул, показала ошибку около 24 нанометров, тогда как новая модель с учетом геометрии снизила этот показатель до 16 нанометров. Для сравнения, традиционный квантово-химический метод TD-DFT на том же тесте давал ошибку около 62 нанометров.
Исследователи установили, что точность расчета геометрии молекулы напрямую влияет на качество предсказаний. По словам Дениса Потапова, научного сотрудника группы органической химии Центра ИИ-разработки новых лекарственных препаратов Института AIRI, пространственное расположение атомов играет ключевую роль в определении электронной структуры молекулы и ее взаимодействия с светом. Учет этого фактора стал основой для повышения точности нового подхода.
Новый метод позволяет выполнять предсказания за доли секунды на одну молекулу, что значительно ускоряет процесс разработки новых материалов по сравнению с экспериментальной проверкой или квантово-химическими расчетами, требующими гораздо больше времени и ресурсов.