В МГУ обучили нейросеть предсказывать устойчивость координационных соединений металлов
Исследователи Центра искусственного интеллекта МГУ совместно с коллегами из Института искусственного интеллекта МГУ объединили в рамках единой вычислительной модели экспериментальные данные о комплексообразовании различных металлов с органическими лигандами. Подобный подход обеспечил возможность получения прогнозов для металлов, сведения о комплексах которых отсутствовали в обучающей выборке.
В октябре 2026 года научный коллектив МГУ имени М. В. Ломоносова представил новую разработку: графовую свёрточную нейронную сеть, предназначенную для оценки устойчивости координационных соединений редкоземельных элементов и трёхвалентных актинидов.
Научно-методологическая основа разработки
Актуальность исследования определяется спецификой работы с редкоземельными и радиоактивными металлами: проведение лабораторных экспериментов сопряжено со значительными финансовыми затратами и требованиями радиационной безопасности. Ключевая задача состоит в подборе органических молекул (лигандов), способных селективно связывать целевые ионы из многокомпонентных смесей. Традиционный эмпирический перебор кандидатов требует проведения обширного цикла дорогостоящих экспериментов.
Научная группа МГУ систематизировала массивы данных из научных публикаций и материалов Национального института стандартов и технологий США (NIST), на основе которых была обучена графовая нейронная сеть. Принципиальная особенность модели заключается в способности прогнозировать константы устойчивости комплексообразования для металлов, отсутствовавших в обучающей выборке. Модель не ограничивается аппроксимацией известных примеров, а выявляет фундаментальные закономерности химического родства. Исходный код разработки опубликован в открытом доступе, а для взаимодействия с ней предусмотрен специализированный пользовательский интерфейс.
Стратегическое значение для атомной и химической отраслей
Разработка поможет в обеспечении технологического суверенитета. Редкоземельные элементы выступают критически важными компонентами электронной промышленности и производства постоянных магнитов, тогда как актиниды имеют фундаментальное значение для атомной энергетики и технологий переработки отработавшего ядерного топлива.
Применение нейросетевой модели на этапе компьютерного моделирования позволяет осуществлять предварительный отбор перспективных лигандов, исключая заведомо неэффективные варианты, сокращая объём последующих лабораторных исследований. Для российской атомной и химической отраслей это означает существенную оптимизацию ресурсных затрат и переход от эмпирического перебора к целенаправленному интеллектуальному дизайну химических соединений.
Ретроспектива развития ИИ-методов в химии
Разработка МГУ является результатом системной исследовательской работы. Анализ ретроспективы позволяет проследить последовательную траекторию развития отечественных методов искусственного интеллекта в области химии.
В 2022 году исследователи МГУ продемонстрировали возможность прогнозирования физико-химических и биохимических свойств веществ на основе ограниченного числа экспериментальных примеров с применением методов трансферного обучения. В 2024 году научный коллектив Института органической химии имени Н. Д. Зелинского РАН представил нейросетевые модели, способные распознавать сложные молекулярные структуры по данным электронной и оптической микроскопии. 2025 год ознаменовался разработкой ИИ-метода поиска устойчивых геометрических конфигураций молекул, сочетающего квантово-химические расчёты с машинным обучением. В первой половине 2026 года исследователи МГУ представили архитектуры нейросетей, обеспечивающие как повышение точности прогнозирования свойств молекул, так и интерпретируемость принимаемых моделью решений.
Нынешняя разработка представляет собой логическое развитие данной исследовательской линии: переход от решения частных задач к созданию универсального инструмента научного прогнозирования.
Ограничения модели и перспективы внедрения
Следует подчеркнуть, что представленная разработка является научным инструментом, а не готовым решением для промышленного внедрения. Предстоит прохождение строгой экспериментальной верификации на независимых выборках данных. Тем не менее, разработка свидетельствует о формировании в России устойчивой научной компетенции на стыке информационных технологий, химии и материаловедения. Искусственный интеллект не заменяет исследователя-экспериментатора, но существенно расширяет его аналитические возможности, обеспечивая высокую предсказательную способность на молекулярном уровне.
