Сотрудники межкафедральной лаборатории интеллектуального химического дизайна химического факультета МГУ совместно с коллегами с механико-математического факультета МГУ разработали новую модель машинного обучения для оценки стабильности комплексов редкоземельных элементов и трёхвалентных актинидов. Работа опубликована в высокорейтинговом The Journal of Chemical Physics.
Машинное обучение помогает значительно сократить временные и материальные затраты в химии. Это особенно важно для малодоступных, дорогих или опасных объектов, таких как лантаноиды и актиноиды. Из-за их необычных свойств, обусловленных наличием электронов на f-подуровне, они широко применяются в современной высокотехнологичной промышленности.
Лантаноиды вместе со скандием и иттрием обычно объединяют в группу редкоземельных элементов. Их используют при создании, например, постоянных магнитов, батарей, электроники, лазеров. Редкоземельные элементы не встречаются в природе в чистом виде, а в микроколичествах входят в состав минерального сырья. Их близкие химические свойства делают переработку и выделение чистых металлов весьма сложной и затратной задачей.
Актиноиды радиоактивны и активно используются в ядерной промышленности. Их эффективное выделение из отработанного ядерного топлива – это прямой путь к высокотехнологичному замкнутому ядерному циклу и снижению количества образующихся радиоактивных отходов. Одним из передовых подходов к разделению как редкоземельных элементов, так и актиноидов стало использование специально спроектированных органических лигандов. Они должны селективно связываться с конкретными элементами и обеспечивать их выделение из общей смеси.
«Из-за схожих химических свойств f-элементов в целом и радиоактивности актиноидов в частности экспериментальное изучение их разделения сильно ограничено, — поясняет заведующий лабораторией интеллектуального химического дизайна химфака МГУ Артем Митрофанов. – Значительно упростить процесс выбора лигандов для синтеза и дальнейшего изучения можно, используя машинное обучение. Пригодный для такой задачи алгоритм по смыслу очень похож на машинное зрение, но в качестве входных данных будет использоваться граф со свойствами молекул. Ранее наша научная группа уже разработала набор моделей для оценки свойств комплексов лантаноидов. Его основным недостатком являлось использование информации только о структуре лигандов, что сильно ограничивало и без того небольшую выборку данных для каждого из металлов. В текущем же исследовании мы кардинально изменили подход. Он заключается в создании новой нейросетевой архитектуры, позволяющей объединить всю доступную информацию о комплексообразовании различных металлов в одной модели, что и позволяет по итогу более точно предсказывать свойства комплексов».
Авторы работы собрали новую базу комплексообразующих агентов f-элементов, используя данные из библиотеки NIST46, а также соответствующих научных публикаций. На её основе они обучили графовую сверточную нейронную сеть. Она позволяет прогнозировать константу устойчивости комплекса и значительно расширяет список элементов, для которых эту константу можно рассчитать с помощью быстрых моделей машинного обучения. Отличительной особенностью новой модели стало то, что для её использования металл не обязательно должен входить в обучающую выборку. Исходный код авторы опубликовали в свободном доступе.
«Разработанная модель показала превосходные результаты по сравнению с существующими аналогами. Она успешно прогнозирует свойства актинидов — группы, работа по которой сложна из-за недостатка экспериментальных данных. Проведённое исследование сосредоточено на комплексах со стехиометрическим составом 1:1. В будущем мы планируем затронуть и другие типы. Кроме того, важным направлением остается дальнейшая совместная работа с коллегами-синтетиками. Наша модель позволит упростить поиск более эффективных и селективных лигандов, например для переработки отработанного ядерного топлива», — комментирует Артем Митрофанов.
Работа выполнена при поддержке Министерства экономического развития Российской Федерации.