Химик в мире нейросетей - Максимилиан Копылович

Проблема была не только в неудобстве. Главная беда — тетрадь была мёртвой. Она не могла тебе сказать: «Слушай, ты уже пробовал этот растворитель в прошлом ноябре, и выход был всего 20%». Она не умела сама строить графики зависимости выхода от температуры. И когда приходило время писать статью, ты садился и вручную перепечатывал все методики, сверялся с записями и мучительно вспоминал, почему в тот четверг ты решил добавить именно 5 мкмоль катализатора. Ведь когда ты в десятый раз перекристаллизовываешь одно и то же вещество, мысль «записать всё это в тетрадь» вызывает примерно такой же энтузиазм, как мытьё посуды после новогоднего застолья.

Но без журнала ты не химик, без него твои результаты — просто грязные колбы. И вот тут в игру вступает Лабораторный дневник 2.0 (Electronic Lab Notebook, ELN) — электронный журнал, который не просто хранит записи, а превращается в соавтора статьи и персонального ассистента. Первые электронные лабораторные журналы появились ещё в конце 1990-х. Но поначалу они были просто текстовыми файлами с прикреплёнными картинками — не сильно умнее бумаги. Сегодняшний ELN — это облачная платформа, часто с элементами искусственного интеллекта, которая делает гораздо больше, чем просто хранит записи.

Во-первых, он сам собирает данные с приборов. Весы отправили массу навески — запись в журнале обновилась автоматически. Спектрометр снял ЯМР — файл прикрепился к нужному эксперименту, и нейросеть предсказала, какая структура соответствует спектру. pH-метр передал значение — оно легло в таблицу. Ты не переписываешь цифры, а значит, не делаешь ошибок.

Во-вторых, он распознаёт изображения. Сфотографировал ТСХ-пластинку под УФ-лампой — ELN сам определит Rf пятен, сравнив с предыдущими пластинками, и подсветит: «Кажется, у тебя тут новая примесь, раньше её не было». Для этого используются свёрточные нейросети — те самые, что распознают кошек и собак, только обученные на тысячах хроматограмм.

В-третьих, он связывает эксперименты между собой. Если ты синтезировал вещество А, потом использовал его в реакции Б, а затем снял спектр В, журнал автоматически выстраивает цепочку: «В получено из Б, где использовано А из синтеза № 42». Ты всегда знаешь историю происхождения каждого образца. Для сложных многостадийных проектов это спасение.

Но главное — не в автоматическом сборе данных. Главное — в смене мышления. Раньше эксперимент и документирование были разделены по времени. Ты сначала делал, потом записывал (или не записывал, если устал и забыл). Теперь исследование и документирование идут параллельно. Журнал становится не хвостом, который волочится за тобой, а вторым пилотом. Ты снял короткое видео, как прикапываешь реагент и раствор меняет цвет с жёлтого на красный. Система распознала твой голос: «Добавляю катализатор, слежу за температурой, не выше 5 градусов», — и превратила его в текстовую методику. Нейросеть автоматически подтянула данные с термометра и написала: «Экзотермический эффект, температура поднялась до 7 °C, выход составил 85%». А потом добавила от себя: «Похоже, при 5 °C выход на 10% выше, чем в прошлый раз при 10 °C. Проверить воспроизводимость?». И тебе остаётся только нажать «Да» или «Нет».

Исследование становится циклическим: ты видишь данные в реальном времени, журнал предлагает следующие шаги, и ты корректируешь план на лету. Если реакция не пошла, ИИ, проанализировав твои записи и массив публикаций, может подсказать: «В 87% случаев, когда эта реакция не идёт, помогает замена растворителя с дихлорметана на ацетонитрил». Ты пробуешь — и всё работает. Твой журнал становится советником, а не просто архивом.

Раньше статья писалась после того, как все эксперименты закончены. Ты сидел, перебирал тетради, сводил таблицы и формулировал фразу: «К раствору вещества 1 в безводном тетрагидрофуране прибавляли раствор вещества 2...». Это занимало недели. Теперь, когда все данные структурированы и лежат в ELN, языковая модель может сгенерировать черновик статьи автоматически. Ты нажимаешь кнопку «Создать отчёт», выбираешь эксперименты, которые хочешь включить, и через минуту получаешь связный текст: введение (скомпилированное из твоих заметок и прочитанной литературы), экспериментальную часть (все методики подтянуты из журнала), результаты (таблицы и графики построены по исходным данным) и обсуждение (нейросеть сравнила твои выходы и спектры с опубликованными). Конечно, это черновик, его нужно править и доводить до ума. Но скелет готов. Ты используешь время не на перепечатку, а на осмысление. Так рождается новый тип химика: не писарь, а стратег, который ведёт научное расследование при помощи живого журнала.

Попробуй сам

Заведи себе простейший электронный журнал прямо сейчас — это может быть обычный Google Doc или Notion, но с одним важным правилом: записывай туда каждый свой эксперимент, даже мысленный, вставляй фотографии, таблицы, ссылки, придумай теги вроде #синтез, #очистка, #ЯМР. А теперь добавь щепотку искусственного интеллекта: скопируй из своего журнала данные по трём разным синтезам одного и того же вещества и попроси любой чат-бот проанализировать их — какой метод дал лучший выход, что можно улучшить, на каком шаге ты, возможно, теряешь продукт. Ты увидишь, как без сложного софта твой «журнал» начинает отвечать на вопросы и давать советы, почти как живой ассистент. Если захочешь настоящий ELN, присмотрись к открытым платформам вроде eLabFTW или SciNote — у них есть бесплатные версии, и ты сможешь почувствовать, как данные с приборов сами заполняют протокол, а языковая модель предлагает черновик статьи.

Глава 14. «Нет» как признак мастерства

Итак, ты — стратег, а ИИ — твой виртуальный помощник с огромной картотекой. Но у этой идиллии есть тёмная сторона. Что, если твой ИИ-ассистент начнёт придумывать улики? Не по злому умыслу, а просто потому, что ему «кажется», будто именно эта улика должна быть на месте преступления. И он так убедительно её опишет — цвет, размер, отпечатки пальцев, — что ты поверишь. А потом выяснится, что такой улики в природе не существовало.

У нейросетей есть фатальная особенность: они не знают, что не знают. Если в данных не было примеров чего-то, модель не скажет «я не в курсе». Она сгенерирует правдоподобный ответ — это называют галлюцинацией. ИИ может предложить молекулу, в которой атом углерода имеет пять связей, или ароматическое кольцо, не подчиняющееся правилу Хюккеля — просто потому, что в базе данных когда-то затесалась ошибочная структура, и модель её добросовестно выучила. Нейросеть может предсказать синтез с выходом 95% в одну стадию при комнатной температуре, а на деле реакция потребует давления в сто атмосфер и дорогого катализатора.