Искусственный интеллект для химии и материаловедения
Искусственный интеллект уже сегодня меняет облик науки, предоставляя новые
инструменты для исследования и создания материалов с заданными свойствами, ускоряя процессы разработки и открывая горизонты в понимании сложных химических систем.
Созданный в прошлом году Центр искусственного интеллекта для научных
исследований Сбера видит эту область первым приоритетом для создания новых ИИ-систем. Инфохимия – наука уже не новая, но ИИ в химии начал применяться
относительно недавно.
На Форуме будущих технологий состоялась очень
интересная дискуссия. Нам показалось важным поделится ее итогами с вами.
- Какие новые возможности открывает ИИ в этой области?
- Какие барьеры существуют для использования этой технологии?
- Как обстоит ситуация с применением ИИ для промышленных задач в химии и материаловедении?
- Чего не хватает для нового витка развития дизайна катализаторов?
- В прошлом году Нобелевскую премию получили авторы AlphaFold – насколько полезным этот метод оказался для дизайна лекарств? Или же другие технологии ИИ сейчас в фокусе отрасли?
- Как будет выглядеть применение сильного ИИ в химии? Что нужно для приближения этого видения?
Участники
1. Алексей Шпильман — модератор, Директор центра AI для науки, ПАО
Сбербанк
2. Михаил Корольков, Руководитель центра цифровых технологий, ПАО
«Газпром нефть»
3. Екатерина Скорб, Директор, Научно-образовательный центр инфохимии;
руководитель, Лаборатория интеллектуальных технологий в инфохимии,
Университет ИТМО
4. Александр Шапеев, Руководитель лаборатории методов искусственного
интеллекта для разработки материалов, Сколковский институт науки и
технологий (Сколтех)
5. Павел Яковлев, Заместитель генерального директора по ранней разработке и
исследованиям биотехнологической компании, BIOCAD
Яркие тезисы дискуссии
1. Пока главная цель внедрения AI в химии и материаловедении — ускорять
отдельные этапы процесса разработки. Пока AI ускоряет конкретные задачи, но
большая его ценность в решении многослойных задач. Но гораздо более
интересно, когда AI позволяет решать задачи, которые невозможно решить
другими способами.
2. Данных много, но по каждой конкретной задаче их часто мало, или они
недостаточно “чистые”. Возникает потребность в AI-подготовке датасетов,
оцифровке результатов прошлых десятилетий и поиске новых источников
данных.
3. В материаловедении AI объединяется с традиционной квантовой механикой и
численными методами, в нефтяной сфере — с традиционным моделированием.
4. В научной среде продвигается идея свободного доступа к исходному коду и
датасетам, однако крупный бизнес считает их ключевым активом и держит их в
секрете, что приводит к неочевидным проблемам.
5. Вместо статьи главным результатом научного проекта становятся очищенный
датасет и разработанная модель.