Химик в мире нейросетей - Максимилиан Копылович

«ученика компьютера». Начнём с того, что откроем SMath Studio (бесплатный аналог Mathcad, скачать проще простого) и попробуем оживить уравнение Аррениуса. Поставь себе простую задачу: во сколько раз ускорится реакция при нагреве от 20 до 50 градусов, если энергия активации — 80 кДж/моль. Сначала реши её по-старинке — с карандашом и калькулятором, чтобы почувствовать, как скрипели мозгами студенты девяностых. Потом набери те же формулы в SMath, меняй температуру, энергию активации и смотри, как график отзывается на каждое движение. Ты увидишь: программа не просто считает, она делает математику видимой.

Второй опыт — разговор с нейросетью. Зайди в ChatGPT и скажи: «Притворись учеником, который сдаёт экзамен по комплексным соединениям. Я буду задавать вопросы, а ты отвечай, но если не знаешь — честно признавайся». Спроси что-нибудь простое: «Почему [Cu(NH₃)₄]²⁺ имеет плоскую квадратную форму, а не тетраэдр?» Бот, скорее всего, бодро процитирует учебник. А теперь перейди к каверзному: «А если я добавил в раствор этого комплекса перекись водорода. Что произойдёт и почему?» Если нейросеть начнёт уверенно сочинять уравнения с пероксидными мостиками, которых не существует, — поздравляю, ты только что поймал её на галлюцинации. Учитель в такой ситуации либо признался бы, что надо подумать, либо предложил бы эксперимент. Именно здесь и проходит граница между электронным помощником и живым наставником.

Ну и напоследок — открой любой бесплатный чат-бот и создай себе персонального репетитора по химии. Начни с системной инструкции — скажи ему примерно так: «Ты репетитор по химии, отвечай строго в рамках школьной программы, не используй сложные термины, а если я ошибаюсь — не просто говори "неправильно", а объясняй, в чём именно ошибка и как исправить ход мысли». Теперь задай ему вопросы из своего учебника. Где он справляется отлично, а где скатывается в излишнюю сложность? Попробуй разные формулировки: «Объясни правило Марковникова, как будто мне десять лет», потом «Прими у меня экзамен по ароматичности и задай каверзный вопрос», потом «Вот моё решение задачи, найди ошибку и объясни её». Ты быстро почувствуешь, что ИИ-репетитор — это не оракул, а инструмент, который нужно настраивать под себя: хороший вопрос рождает хороший ответ, плохой — красивую, но бесполезную информацию.

А когда наиграешься, загляни на сайт PhET Interactive Simulations и запусти виртуальное титрование. Добавляй основание в кислоту и наблюдай, как меняется pH и молекулярная картина. Попробуй другие симуляции — растворимость солей, закон Бойля-Мариотта. Что ты увидел на экране такого, чего не видно в пробирке? Симуляция не заменит запах аммиака и случайный пожар, но она даёт суперспособность — увидеть молекулярный уровень. Так вот, ИИ-репетитор и виртуальная лаборатория — это два тренажёра, которыми ты можешь пользоваться уже сегодня, пока живой учитель ставит тебе цель и верит в тебя. В следующей главе мы перейдём от обучения к самому творческому процессу — генерации идей: как ИИ помогает химикам придумывать молекулы, которых никогда не существовало.

 

 

Глава 6. Как молекула становится вектором

Мы все привыкли, что молекулу можно нарисовать палочками и подписать атомы, но когда молекула попадает в нейросеть, с ней происходит нечто странное: она исчезает как картинка и превращается в длинный столбик чисел, в точку в многомерном пространстве, где расстояние между такими точками означает химическую похожесть одной молекулы на другую. Это представление в многомерном пространстве свойств и отношений также называется вектором. Давай разберёмся, зачем понадобилась эта магия и как она работает.

Вспомни ChemDraw — программу, которая умела превращать нарисованную структуру в название и молекулярную массу. Это было первое превращение картинки в данные. Но для нейросети «картинка» — это просто набор пикселей, она не понимает, где атом, а где связь. Ей нужен язык, который сохраняет химический смысл и одновременно является математическим. Нужен вектор — упорядоченный набор чисел, описывающий молекулу так, чтобы похожие молекулы имели похожие векторы, а разные — разные. Именно здесь начинается самое интересное: химики придумали сразу несколько способов перевести молекулу в вектор, и каждый из них открыл дверь определённому типу нейросетей. Трансформеры научились читать молекулы как текст. Диффузионные модели — вылеплять их из шума, словно скульпторы. А графовые нейросети — общаться между атомами, как друзья в чате.

Когда в детстве осваиваешь язык, общаясь с родителями и другими людьми, ты постепенно и непроизвольно начинаешь замечать закономерности: «я иду», «он идёт». Так учатся и трансформеры — архитектура нейросетей, которая революционизировала машинный перевод, а сейчас и химию. В химии «предложение» — это молекула, записанная в виде строки SMILES. Например, этанол выглядит как CCO, а аспирин — как CC(=O)OC1=CC=CC=C1C(=O)O. Трансформер учится на миллионах пар «реагенты → продукты» и начинает «понимать», что карбоксильная группа C(=O)O часто превращается в ацилхлоридную C(=O)Cl в присутствии тионилхлорида. Он не знает правил нуклеофильного ацильного замещения, но статистически угадывает следующее «слово» в химическом предложении с высокой точностью. Так работают IBM RXN и другие предсказатели реакций: они «переводят» реагенты на язык продуктов, достраивая последовательность атомов и связей. Фактически, трансформер — это «переводчик» с языка исходных веществ на язык конечных, который сам выучил грамматику на примерах.

Совсем другой подход — диффузионные модели. Ты, наверное, видел, как Midjourney или DALL-E генерируют изображения по текстовому описанию. Ты пишешь «кот в скафандре на Марсе», и программа из случайного цифрового «шума» шаг за шагом проявляет картинку. Оказывается, ровно то же можно делать с молекулами и кристаллическими решётками: берётся реальная трёхмерная структура молекулы и постепенно добавляются в неё лёгкие случайные смещения атомов — шум. Через много шагов молекула превращается в бесформенное облако, где уже непонятно, где какой атом. А теперь мы учим нейросеть обратному процессу: из шума восстанавливать исходную структуру. Когда обучение закончено, мы можем подать сети случайный набор координат и сказать: «А теперь сделай из этого молекулу, похожую на лекарство от головной боли». И сеть шаг за шагом, слой за слоем «очищает» шум, расставляя атомы углерода, азота, кислорода в нужные позиции и создавая связи. Так работают современные генераторы новых материалов: они не перебирают триллионы вариантов, а лепят молекулу из тумана вероятностей, словно гончар из глины.

Третий способ увидеть молекулу — посмотреть на неё как на граф. В математике граф — это набор точек (вершин), соединённых линиями (рёбрами). В химии вершины — атомы, рёбра — связи. Графовые нейросети (GNN) работают так: каждый атом «рассылает» сообщения своим соседям о том, какой он (углерод, азот), с кем связан и в каком окружении находится. Соседи получают сообщения, обновляют своё представление о себе и снова рассылают. Через