ИИ помог ученым совершить прорыв в кристаллографии

Учёные Колумбийского университета совершили значимый прорыв в области материаловедения, разработав алгоритм машинного обучения (ML), способную восстанавливать атомную структуру веществ даже из фрагментарных и хаотичных данных. Классическая рентгеновская кристаллография, используемая сегодня, требует идеально упорядоченных и относительно крупных кристаллов, чтобы с их помощью можно было получить чистую дифракционную картину. Однако подавляющее большинство реальных материалов, включая наночастицы, порошки и нестабильные соединения, не соответствуют этим требованиям. В результате, на протяжении более века значительная часть потенциально полезных веществ оставалась за пределами научного анализа. Новый метод, основанный на генеративных ИИ-моделях, устраняет это ограничение.

Новый взгляд на материалы

Разработанный алгоритм использует подход, аналогичный диффузионным моделям в генерации изображений: как в случае Midjourney или DALL·E. Благодаря такому подходу кристаллографический ИИ восстанавливает вероятную атомную структуру из хаотичных дифракционных сигналов. Модель была обучена на основе 40 тыс. реальных кристаллических структур взятых из международной базы данных (International Crystal Structure Database). В результате она способна довольно точно предугадывать, какие комбинации атомов физически возможны и наиболее вероятны. Алгоритм учитывает химию связей, симметрию кристаллов, плотность упаковки и межатомные расстояния, создавая правдоподобную модель и «учась у природы», как выразился один из руководителей проекта, профессор Саймон Биллинг.

Одним из главных преимуществ метода является способность анализировать структуры неидеальных образцов — например, порошков, нанокристаллов, суспензий и даже нестабильных фаз, существующих лишь во время химических реакций. Это делает возможным структурное исследование многих материалов, ранее считавшихся «невидимыми» для науки. В частности, теперь можно анализировать катализаторы на основе оксидов и сульфидов, новые материалы для аккумуляторов, гибридные органо-неорганические соединения, которые легко разрушаются при росте кристаллов. Также метод открывает перспективы в фармацевтике, где точная структура полиморфов лекарств может напрямую влиять на биодоступность и эффективность препарата.

От фундаментальной науки к практическим инновациям 

После генерации структуры ИИ-модель проходит этап уточнения через метод Ритвельда — классическую технику количественного анализа рентгенограмм, которая корректирует модель так, чтобы она максимально точно соответствовала экспериментальным данным. Это делает подход не просто интеллектуальной гипотезой, но методом полностью пригодным для практического применения. Благодаря этому, новая система может быть встроена в существующие лабораторные цепочки анализа, снижая потребность в дорогом оборудовании для выращивания кристаллов и ускоряя процесс разработки материалов. Учёные предполагают, что автоматизация таких структурных исследований позволит существенно ускорить создание более эффективных аккумуляторов, солнечных панелей, биоматериалов, и многих других продуктов.

Алгоритм, устраняет фундаментальное ограничение, тормозившее развитие кристаллографии более века: зависимость от идеально упорядоченных образцов. По значению это сравнимо с созданием программы DeepMind AlphaFold, которая в 2020 году научилась, также с использованием ИИ, предсказывать форму белков по аминокислотной последовательности, решив тем самым давнюю проблему биологии. В перспективе новая технология, разработанная в Колумбийском университете может стать стандартом в лабораториях и промышленных R&D-центрах, существенно ускоряя научный прогресс и трансформируя отрасли, связанные с химией и созданием перспективных материалов.