Группа теоретической химии ИОХ РАН

Изучение процессов головного мозга и мышления является одним из самых сложных вопросов, которым задаются исследователи во всем мире. Работа нашего направления сосредоточена на изучении экспериментальных данных и проверке гипотез о природе процессов, а также построение brain-inspired нейронных сетей для решения задач глубокого обучения. Наши проекты сочетают в себе знания и методы из нейробиологии, биохимии мозга, биофизики клеток, машинного обучения и математики, что является довольно междисциплинарным подходом к исследованию. Глобально все проекты можно разделить на 3 направления: 1.Изучение и моделирование процессов мозга - анализ экспериментальных данных и дальнейшее проведение симуляции на их основе 2.Вычислительные нейроморфные интерфейсы - обучение и оценка импульсных нейронных сетей (они же нейроморфные) 3.Разработка алгоритмов и инструментов - для облегчения задач моделирования В дальнейшем планируется имплементация полученных знаний в другие области науки. Так, например, изучение и моделирование процессов мозга может помочь в борьбе с нейродегенеративными заболеваниями, а нейроморфные сети для улучшения существующих моделей в машинном обучении.

При моделировании механизмов химических реакций и других процессов необходимо подобрать метод, который позволит получить близкие к экспериментальным данным результаты за адекватное время. Что делать если такого метода нет? А что если существующие методы на самом деле врут? Работа нашей Группы связана в том числе и с ответами на эти вопросы. В рамках разработки новых методов мы работаем над подходами к конформационному анализу малых молекул, над улучшением способов учёта энергий сольватации и свободной энергии растворителя. Помимо этого, мы стараемся сделать более точными методы, предназначенные для ускорения расчётов: создаём новые фичи для машиннообучаемых функционалов и способы «безопасного» обучения нейросетей, занимаемся повышением надёжности силовых полей. Не забываем мы и про ab initio методы, разрабатывая новые базисные наборы. В сферу научных интересов Группы входят также биохимические системы: уже опубликован подход к квантовохимическому изучению активности биоизостеров, ведётся работа над способами уточнения структуры белков. В рамках исследования свойств твёрдых тел и процессов на поверхности мы разрабатываем подходы к молекулярной динамике и метадинамике кристаллов для предсказания кристаллических структур органических веществ. Важной частью работы Группы является валидация существующих методов теоретической химии. Основными достижениями в данной области является демонстрация переобученности некоторых функционалов плотности, а также обнаружение проблем с функционалом DeepMind 21. Группа ведёт работу над способами проверки надёжности методов ТФП, а также подходов к изучению стереоэлектронных эффектов и энергий взаимодействий в органических молекулах.

Одним из направлений работы нашей группы является моделирование химических процессов. Под этим мы понимаем любые процессы, описываемые химическими реакциями. К ним относятся синтетические химические реакции, биохимические процессы и процессы в материалах. В наши интересы входит: 1) молекулярное моделирование химических реакций, определение их механизмов, предсказание свойств продуктов, расчет спектров и многое другое; 2) моделирование биохимических процессов, расчет связывающих способностей и структур лиганда и белка; 3) изучение материалов, их свойств и процесса получения. Для описания мира вокруг нас мы применяем широкий набор методов теоретической химии, начиная от универсальной молекулярной динамики, заканчивая анализом заселенности орбиталей. Эти и многие другие методы дают возможность предсказать результат химического процессов без необходимости проводить его в реальности, а значит позволяют делать скрининг с широким выбором начальных параметров без необходимости тратить время и ресурсы на эксперименты. Например, мы можем ответить на вопросы, какой катализатор позволит добиться максимальной региоселективность или какие условия осаждения приведут к материалу с требуемыми свойствами. Чтобы ответить на эти вопросы необходима модель процесса, и это первое, чем мы всегда занимаемся. Именно поэтому вы так часто слышите слово моделирование, построение модели — это ключевой шаг. На картинке ниже показан алгоритм построения модели. Изучая литературу и общаясь с экспериментаторами, мы сначала строем «мысленную» модель процесса в голове, а потом переносим ее в компьютер. Какие приближения выбрать, какие атомы учесть, ответы на эти вопросы создают модель процесса, описывающую его достаточно точно для предсказание тех или иных свойств.

Одним из направлений работы нашей группы является применение методов искусственного интеллекта и машинного обучения для решения задач в области химии. Мы разрабатываем алгоритмы, которые позволяют компьютерам анализировать химические данные, строить модели химических процессов и делать надежные предсказания. Также мы активно используем физически обоснованные модели. Это позволяет включать в алгоритмы знания о химических принципах и закономерностях. Благодаря этому наши модели лучше обобщаются на новые данные, а предсказания становятся более надежными. В сферу наших интересов входит: 1) предсказание свойств химических соединений с помощью методов машинного обучения; 2) планирование синтетических путей для получения нужных веществ с помощью искусственного интеллекта; 3) моделирование структуры и свойств материалов на основе больших данных и глубокого обучения. Мы применяем передовые алгоритмы, такие как нейронные сети, графовые сверточные сети, вариационные автокодировщики и другие. Эти методы позволяют нам строить высокоточные модели без необходимости полного понимания физических принципов.