Победитель Конкурса молодых учёных Фонда «Интеллект» 2024 года, аспирант химического факультета МГУ Андрей Быков принял участие в XII Национальной кристаллохимической конференции, которая прошла на базе Кольского научного центра РАН в Апатитах. Конференция считается одним из ведущих российских форумов в области кристаллохимии, а в этом году её программа была расширена темами машинного обучения и in silico предсказания свойств материалов.
На конференции Андрей представил доклад «Машинное обучение и основанный на данных подход в химии гибридных галогенометаллатов: от конструирования датасетов и баз данных к предсказанию структур и рациональному дизайну материалов» и был награждён дипломом за лучший стендовый доклад.
В интервью он рассказывает о том, как машинное обучение помогает химикам переходить от метода проб и ошибок к рациональному поиску новых материалов, а также о том, почему качество данных становится ключевым фактором для современной науки.
– Андрей, вы выступили на конференции докладом о машинном обучении и data-driven подходе в химии гибридных галогенометаллатов. Чему посвящено ваше исследование, если объяснить простыми словами?
– Исследование направлено на разработку подходов рационального дизайна гибридных галогенометаллатов, то есть нахождению способов направленно синтезировать органо-неорганические галогенидные комплексы постпереходных металлов с заданными физико-химическими свойствами. В докладе я представил решение задач по определению способности катионов формировать конкретный тип галогенометаллатного аниона и установлению ключевой для материаловедения взаимосвязи «состав–структура–свойство».
Для объяснения простыми словами я обычно использую аналогию с конструктором: органические катионы и строительные блоки галогенометаллатных анионов можно представить как детали «Лего». Проблема заключается в том, что пока не до конца понятно, по каким правилам они состыковываются. Моя исследовательская задача, если говорить образно, – выяснить форму этих деталей и таким образом понять, как их можно соединять, чтобы собрать кристаллическую структуру с нужными свойствами.
Результаты этой работы могут быть применимы в разных областях: при разработке оптоэлектронных материалов, включая материалы для сенсоров, фотодетекторов и светодиодов, при создании светопоглощающих компонентов солнечных элементов, а также в химической промышленности и прикладных исследованиях.
– Как машинное обучение помогает учёным искать и создавать новые материалы?
– Машинное обучение и data-driven подход в целом являются мощнейшими инструментами для анализа больших объёмов данных и поиска закономерностей. Их ключевая особенность по сравнению с более привычными для химии методами заключается в том, что они позволяют рассматривать влияние большого числа факторов на исследуемые взаимосвязи одновременно, а не по отдельности. Это даёт возможность выстраивать иерархию таких факторов и определять их оптимальные комбинации для достижения целевых функциональных характеристик материалов.
Главное преимущество, на мой взгляд, – переход от экспериментального поиска химических соединений методом проб и ошибок к рациональному выбору значительно меньшего числа перспективных кандидатов в новые материалы. Это существенно сокращает затраты как по времени, так и по ресурсам.
– Почему, на ваш взгляд, сегодня важно объединять химию, работу с данными и искусственный интеллект?
– Я бы не стал говорить о какой-то исключительной важности такого объединения. Скорее сегодня исследования на стыке химии и data science стали действительно возможны и востребованы благодаря становлению парадигмы больших данных, быстрому развитию ИИ и накоплению значительных объёмов химической информации, пусть пока и более скромных по сравнению с некоторыми другими типами данных.
В большей степени такое объединение продиктовано современными темпами развития науки и необходимостью получать результат в относительно короткий срок при ограниченности ресурсов. Методы работы с большими данными позволяют увидеть более целостную картину фундаментальных закономерностей, а не только отдельные срезы или взаимосвязи на ограниченной выборке объектов.
При этом у такого подхода есть и обратная сторона: его возможности зависят не только от объёма, но и от качества данных. А качество данных может снижаться, если в фокусе оказывается прежде всего их количество.
– Ваш доклад получил высокую оценку экспертов и жюри. Как вы думаете, что особенно заинтересовало экспертов в вашей работе?
– Наверное, объединение традиционной химии и новых для этой области подходов работы с данными, масштаб и сложность задач. Кроме того, привлечь внимание мог прогресс в переходе от описательной к предсказательной кристаллохимии. Очень порадовало, что удалось обсудить и получить отклик от коллег на проблемы релевантности, корректности и искажения представленных в литературе данных.
– Поделитесь, пожалуйста, профессиональными планами. Как вы планируете развивать свою тему дальше?
– В первую очередь планирую завершить публикацию полученных результатов. В перспективе - выполнить в большем объёме экспериментальную валидацию предсказаний моделей и разработанных подходов. В конечном итоге, помимо синтеза галогенометаллатов с целевыми значениями физико-химических свойств, есть план испытать их в качестве материалов в прототипах оптоэлектронных устройств и определить более широкий круг их эксплуатационных характеристик. Также я собираюсь разрешить выявленные в ходе исследования ограничения – найти способ провалидировать большой объём литературных данных, и попробовать осветить эту проблему в научной литературе.
