ШІ допоміг науковцям здійснити прорив у кристалографії

Вчені Колумбійського університету здійснили прорив у галузі матеріалознавства, розробивши алгоритм машинного навчання (ML), здатний відновлювати атомну структуру речовин навіть із фрагментарних і хаотичних даних. Класична рентгенівська кристалографія, яка використовується сьогодні, вимагає ідеально впорядкованих й відносно великих кристалів, щоб на їх основі отримати чисту дифракційну картину. Однак переважна більшість реальних матеріалів, зокрема наночастинки, порошки та нестабільні сполуки, не відповідають цим вимогам. У результаті протягом більш ніж століття значна частина потенційно корисних речовин залишалась поза межами наукового аналізу. Новий метод, заснований на генеративних ШІ-моделях, усуває це обмеження.

Новий погляд на матеріали

Розроблений алгоритм використовує підхід, аналогічний дифузійним моделям для генерації зображень — як, наприклад, у Midjourney чи DALL·E. Завдяки цьому підходу кристалографічний ШІ відновлює ймовірну атомну структуру з хаотичних дифракційних сигналів. Модель була навчена на основі 40 тис. реальних кристалічних структур, узятих із Міжнародної бази даних кристалічних структур (International Crystal Structure Database). У результаті вона здатна доволі точно передбачити, які комбінації атомів фізично можливі та найбільш імовірні. Алгоритм враховує хімію зв’язків, симетрію кристалів, щільність упаковки та міжатомні відстані, створюючи правдоподібну модель й «навчаючись у природи», як висловився один із керівників проєкту, професор Саймон Біллінґ.

Однією з головних переваг методу є здатність аналізувати структури неідеальних зразків — наприклад, порошків, нанокристалів, суспензій та навіть нестабільних фаз, які існують лише під час хімічних реакцій. Це відкриває можливість структурного дослідження багатьох матеріалів, які раніше вважалися «невидимими» для науки. Зокрема, тепер можна аналізувати каталізатори на основі оксидів та сульфідів, нові матеріали для акумуляторів, гібридні органо-неорганічні сполуки, які легко руйнуються під час росту кристалів. Також метод відкриває перспективи у фармацевтиці, де точна структура поліморфів лікарських засобів може безпосередньо впливати на біодоступність й ефективність препарату.

Від фундаментальної науки до практичних інновацій 

Після генерації структури ШІ-модель проходить етап уточнення за допомогою методу Рітвельда — класичної техніки кількісного аналізу рентгенограм, яка коригує модель так, щоб вона максимально точно відповідала експериментальним даним. Це робить підхід не просто інтелектуальною гіпотезою, а методом, цілком придатним для практичного застосування. Завдяки цьому нову систему можна інтегрувати в існуючі лабораторні ланцюжки аналізу, зменшуючи потребу в дорогому обладнанні для вирощування кристалів і пришвидшуючи процес розробки матеріалів. Науковці припускають, що автоматизація таких структурних досліджень дозволить суттєво прискорити створення ефективніших акумуляторів, сонячних панелей, біоматеріалів та багатьох інших продуктів.

Алгоритм усуває фундаментальне обмеження, яке стримувало розвиток кристалографії понад сто років: залежність від ідеально впорядкованих зразків. За значенням це можна порівняти зі створенням програми DeepMind AlphaFold, яка у 2020 році навчилася, також із використанням ШІ, передбачати форму білків за амінокислотною послідовністю, вирішивши таким чином давню проблему біології. У перспективі нова технологія, розроблена в Колумбійському університеті, може стати стандартом у лабораторіях та промислових R&D-центрах, суттєво прискорюючи науковий прогрес, трансформуючи галузі, пов’язані з хімією та створенням перспективних матеріалів.