Искусственный интеллект часто представляют как внешний двигатель научных открытий, однако химические системы оказывают жесткое сопротивление традиционным вычислительным архитектурам. В обзорной статье, опубликованной в журнале Chemical Reviews, исследователи из Университета Нотр-Дам показали, как структурные особенности молекулярной науки заставляют инженеров фундаментально перестраивать архитектуры моделей. Работа под руководством Нитеша Чавлы доказывает: стандартные модели глубокого обучения терпят неудачу в задачах органического синтеза без явных физико-химических ограничений.
Ограничения требуют логического вывода
Чтобы точно моделировать химические механизмы, алгоритмы не могут полагаться исключительно на поиск статистических паттернов методом перебора. Модели обязаны учитывать трехмерную геометрию молекул, стереохимию, многокомпонентную кинетику и непрерывно меняющиеся условия реакций. Ситуацию усложняет дефицит качественных экспериментальных данных, которые остаются фрагментированными внутри закрытых корпоративных архивов, что делает бессмысленным решение химических задач путем простого наращивания вычислительных мощностей.
«Когда вы требуете от модели оценки молекулярных структур или параметров реакций, вы требуете от нее рассуждений. Это заставляет ИИ выходить за рамки предиктивных систем типа "черный ящик"».
Как отмечает соавтор исследования и руководитель Центра компьютерного синтеза NSF Олаф Вист, реальные физические процессы требуют создания интерпретируемых архитектур, опирающихся на законы химии, а не на статистические корреляции. Для критически важных отраслей вроде биофармацевтики и создания новых материалов вероятностных оценок черного ящика недостаточно: производственным пайплайнам нужны проверяемые механизмы реакций и строгая количественная оценка неопределенности.
Архитектура прикладного ИИ для науки
По словам Нитеша Чавлы, главное техническое препятствие — разработка графовых представлений, которые сохраняют физическую корректность в условиях жесткого дефицита данных и масштабируются до уровня промышленного R&D.
Для руководителей R&D-подразделений вывод очевиден: подгонка статистических кривых в химическом синтезе исчерпала свой потенциал. Промышленный корпоративный ИИ для молекулярного дизайна будет строиться не на базе гигантских универсальных моделей, а вокруг объяснимых систем, способных к проверяемой логике с четко заданными границами погрешности.