Научное знание и ИИ: что обсудили на форсайт-сессии в НИУ ВШЭ

Что произойдет, если объединить фундаментальную химию и искусственный интеллект? Этот вопрос звучит все актуальнее на фоне глобальных трендов ИИ, и именно о таких перспективах шла речь на международной форсайт-сессии в НИУ ВШЭ, где в числе участников выступил Михаил Геннадьевич Медведев — к.ф.-м.н., заведующий группой теоретической химии ИОХ РАН.

Форсайт-сессия, организованная Институтом искусственного интеллекта и цифровых наук НИУ ВШЭ, собрала экспертов из России, Германии, Индии и ОАЭ для обсуждения ключевых векторов развития ИИ в научных и прикладных областях. Особое внимание было уделено архитектурам и алгоритмам машинного обучения, генеративным моделям, а также мультиагентным системам и технологиям поддержки принятия решений.

На форсайте Михаил Геннадьевич отметил важность включения научных знаний в архитектуру ИИ — подход, который особенно востребован в фундаментальной науке, где количество экспериментальных данных часто ограничено, но зато есть установлены за десятки и сотни работы ученых научные законы и закономерности.

Михаил Геннадьевич ответил на наши вопросы, которые затрагивались на обсуждении:

• Какую роль, на Ваш взгляд, может играть теоретическая химия в развитии ИИ-систем, особенно в контексте научного моделирования?

В моем видении теоретическая химия вполне включает ИИ – наша Группа занимается ИИ с момента ее основания. Я бы противопоставлял ИИ и молекулярное моделирование. А вместе они объединяются в теоретическую или цифровую (сейчас так стало моднее) химию.

• Какую роль молекулярное моделирование и ИИ могут играть в контексте химического исследования?

В целом научный прогресс строится на методе научного «тыка». Как и 100 лет назад, когда создавалась лампочка накаливания, чтобы найти стоящую реакцию или соединение, нужно перепробовать 100 вариантов, и 1 из них сработает. Моделирование позволяет перенести этот этап перебора вариантов в компьютер — мы предсказываем интересующие нас свойства для 100 потенциальных вариантов с помощью теоретической химии, ИИ или их комбинации, выбираем 10 наиболее перспективных и уже их химики-экспериментаторы проверяют в лабораторных условиях. Получается, что мы поставили в 10 раз меньше реакций — а это и реактивы, и токсичные растворители, и время ученых-исследователей — и получили тот же целевой результат. При этом выбор метода цифровой химии определяется сложностью химической системы на молекулярном уровне и наличием данных. Если данных мало, но система достаточно простая, то ее можно смоделировать с помощью методов молекулярного моделирования; если система сложная, но данных много, то методы ИИ становятся отличным выбором. Наибольшая проблема возникает при моделировании сложных систем, для которых мало данных —тут всегда нужен индивидуальный подход, но зачастую помогает включение в модель ИИ известных химических и физических законов, которые по сути играют роль данных, «показывая» модели, как она должна себя вести даже в тех случаях, где у нас нет экспериментальных измерений.

Матрица выбора метода цифровой химии

Интеграция машинного обучения с физико-химическими моделями позволяет создавать устойчивые предсказательные системы — особенно в тех областях, где получение данных дорогостоящее или невозможно в силу физических ограничений. На форсайт-сессии обсуждались не только подходы, но и вызовы: как обеспечить воспроизводимость таких моделей, как передать в ИИ логику научного мышления и что мешает более широкому внедрению гибридных решений в практику.

Фото: НИУ ВШЭ.