Scienty

Стремиться к минимизации воздействия радиации – негласный принцип работы с радиоактивными веществами. Утилизация отработавшего ядерного топлива и ядерная медицина представляют собой динамично развивающиеся направления в атомной отрасли. Для повышения эффективности переработки радиоактивных отходов и производства лекарственных препаратов, основанных на радионуклидах, необходимо разрабатывать новые материалы. Однако проведение физических испытаний экспериментальных веществ связано с облучением и требует значительных временных затрат. Цифровое моделирование материалов с использованием алгоритмов искусственного интеллекта становится помощником для исследователей. Эта технология, созданная в Московском университете, в 2024 году получила признание в виде гранта от Некоммерческого фонда развития науки и образования «Интеллект». О принципах работы новой методики, ее потенциале и отличиях от традиционных подходов вычислительной химии рассказывает победитель конкурса молодых ученых МГУ фонда «Интеллект», руководитель лаборатории интеллектуального химического дизайна химического факультета МГУ Артем Александрович Митрофанов.

— Ваше исследование направлено на создание инновационных вычислительных методов в химии для решения задач радиохимии, а в будущем — на разработку искусственного интеллекта, который будет использоваться для проектирования материалов в атомной энергетике и ядерной медицине. Не могли бы вы рассказать подробнее о процессе вашей научной работы.

— В основном, ее работа связана с компьютером. Наша область исследований отличается от традиционной работы химиков в лабораториях. Поэтому большая часть нашей работы выполняется с использованием серверов и суперкомпьютеров. В тех случаях, когда возникает необходимость в синтезе нового материала, мы надеваем халаты и проводим лабораторные проверки результатов цифрового моделирования. Таким образом, основная часть нашей работы проходит за компьютером, еще часть – в общении с коллегами, поскольку невозможно обладать всеми знаниями. Время гениальных одиночек, двигающих науку, прошло, поэтому необходимо сотрудничать с коллегами-экспериментаторами. Кроме того, мы уделяем внимание работе со студентами и аспирантами.

Я рассматриваю это как логичное продолжение как моей диссертации, так и моих предыдущих работ – бакалаврской и магистерской. Речь идет об определенных материалах, предназначенных, в том числе, для утилизации отработавшего ядерного топлива. Невозможно просто извлечь топливо из реактора и захоронить его где-либо. Это повлечет за собой экологическую катастрофу, и такие действия регулируются принципом радиоэквивалентности, согласно которому нельзя захоронить в землю больше материала, чем было из нее извлечено. Поэтому топливо необходимо извлечь, переработать и разделить на составляющие компоненты, учитывая, что в его составе практически присутствуют все элементы, описанные в периодической таблице Менделеева. И лишь часть отходов направляется на захоронение, а большая их доля возвращается в ядерно-топливный цикл.

Мы разрабатываем материалы, которые, к примеру, могут быть использованы для разделения компонентов топлива или для иммобилизации отходов, направляемых на захоронение. Радиоактивные вещества существуют независимо от нашей деятельности, а мы работаем с органическими молекулами, либо с неорганическими матрицами. Характеристики топливных сборок, извлеченных из реактора, уже установлены и не требуют дополнительных исследований. Сначала, как это может показаться неожиданным, мы моделируем характеристики инертных материалов, предназначенных для взаимодействия с отработавшим ядерным топливом или медицинскими радионуклидами. В определенных ситуациях нам даже представляется возможным экспериментально оценивать отдельные свойства на стабильных аналогах элементов, используемых в атомной отрасли. Однако в некоторых случаях это недопустимо, поскольку, к примеру, стабильный уран отсутствует. Но у элементов, радионуклиды которых применяются в ядерной медицине, зачастую существуют стабильные изотопы.

Свойства новых материалов, которые требуется прогнозировать перед синтезом, определяются самой технологией. К ним относятся, например, растворимость в используемом растворителе, способность к связыванию нужных компонентов с топливом без воздействия на остальные вещества. Кроме того, для материалов, применяемых в условиях радиоактивности, необходимо, чтобы они обладали радиационной стойкостью. Это усложняет разработку материалов, поскольку информации о радиационно стойких материалах значительно меньше, чем, например, данных о потенциальных лекарственных средствах. Поэтому поиск таких новых материалов представляет собой более сложная задача.

— Комментируя свой проект, вы указывали, что для моделирования свойств соединений актиноидов не могут быть использованы существующие методы вычислительной химии. Относится ли это ограничение только к актиноидам или же оно распространяется и на соединения других радиоактивных элементов? В чем причина такого ограничения?

— Влияние этого фактора в той или иной мере распространяется на все «дно» таблицы Менделеева — самые тяжелые химические элементы. Это объясняется тем, что радиоактивными могут быть и изотопы, например, тритий, изотоп водорода, свойства которого удается успешно моделировать.

Применительно к классическим методам моделирования в химии, ключевую роль играет квантовая механика, а точнее – численные приближения. Квантовая химия предполагает компромисс: либо мы получаем высокоточные решения, либо выполняем вычисления за приемлемое время. Таким образом, каждый подобный расчет требует осознанного выбора приоритетов — в каком направлении мы готовы пойти на компромисс.

Моделирование актиноидов требует значительных вычислительных ресурсов, сопоставимых по времени с проведением экспериментов. Расчеты, занимающие больше времени, чем эксперимент, представляются малополезными. Часто можно встретить мнение, что результаты эксперимента вызывают доверие у всех, кроме тех, кто их получил, а результаты расчетов принимают всерьез только их авторы».

— На каком этапе находится работа в настоящее время? Уже сформирована база для компьютерных алгоритмов, или продолжается разработка вычислительных методов?

— Уже имеется база для разработки алгоритмов. К счастью, или, возможно, к сожалению, эта сфера демонстрирует бурный рост, причем не только в химической отрасли.

Мы наблюдаем стремительные изменения в мире, вызванные развитием различных алгоритмов искусственного интеллекта, таких как чат-боты, инструменты для обработки естественного языка и генераторы изображений. Химия, в свою очередь, представляет собой область, требующую более глубокого понимания. Сложность заключается не только в специфике самой дисциплины, но и в ограниченности данных химической направленности в сравнении с огромным объемом текстовой и визуальной информации, доступной в интернете (например, фотографий котиков). В связи с этим, несмотря на наличие базовых алгоритмов, их часто необходимо адаптировать, собирать данные вручную и, в некоторых случаях, разрабатывать новые решения с нуля.

В мировом масштабе отдельные исследования проводятся, однако нельзя утверждать о наличии устойчивой тенденции развития таких подходов. Более того, мы пока не обнаружили готовых инструментов. В противном случае мы бы не стали изобретать их самостоятельно, а предпочли бы использовать уже существующие и удобные решения.

Можно сказать, что на текущем этапе алгоритмическая часть работы по большей части уже завершена — по крайней мере в рамках тех задач, которые мы перед собой ставили. Сейчас уже идет речь о создании инструментов, которыми смогут пользоваться химики-синтетики, совершенно не знакомые с вычислительной химией и ИИ и знакомиться разумно не желающие. В настоящее время мы работаем над такими инструментами и, разумеется, проверяем созданные модели уже в сотрудничестве с коллегами-экспериментаторами.

Параллельно с этим, исследования, проводимые нами совместно с коллегами в сфере радиофармацевтической химии, направленные на применение радионуклидов для адресной терапии и диагностики заболеваний, выходили на стадию испытаний на лабораторных животных. У наших коллег имеется виварий, где мы вели совместную работу, в частности, прогнозировали фармакокинетику препарата в организме лабораторной мыши. Следует подчеркнуть, что результаты, полученные с использованием наших вычислительных методов, демонстрировали высокую степень соответствия с данными, полученными в ходе экспериментов. Таким образом, мы уже довели технологию до уровня практического применения.

— Чем отличаются разрабатываемые вами новые методы вычислительной химии от привычных подходов в этой сфере?

— Я уже частично указал на некоторые различия. Их два основных момента. Прежде всего, в других сферах не требуется моделирование радиационной стойкости, поскольку материалы не разрушаются, особенно под воздействием излучения. Возможно, существуют редкие исключения, например, при работе с рентгеновскими источниками, но это скорее относится к специализированным случаям.

Во-вторых, мы сталкиваемся с дефицитом информации. При обсуждении технологий искусственного интеллекта и машинного обучения невозможно не упомянуть такое понятие, как big data (англ. «большие данные». — Примеч. авт.). Хотя эти подходы могут быть полезны, они не всегда применимы к химическим и особенно радиохимическим данным. Работа с радиоактивными веществами требует узкого круга специалистов, что вполне оправдано, учитывая необходимость строгого соблюдения норм безопасности, использования специализированного оборудования и других ограничений. Однако это приводит к тому, что объем получаемых данных остается относительно небольшим. Следовательно, традиционные методы обработки больших данных оказываются неэффективными. Таким образом, возникает дополнительное условие, которое необходимо учитывать, но его сложно интегрировать as is (англ. «как есть». — Примеч. авт.): мы не используем big data и поэтому должны придумывать алгоритмы, способные работать с малым количеством данных.

— Насколько вероятно, что в реальности свойства смоделированного соединения будут несколько отличаться от спроектированных с помощью компьютерного алгоритма? Есть ли изначальный расчет на такую погрешность или пока вы планируете достичь максимальной точности?

— Мы стремимся к максимальной точности, но, как правило, это не всегда возможно. Существует принципиальное различие между научной теорией и ненаучной гипотезой — критерий фальсифицируемости. Он предполагает, что теория признается научной, если можно разработать эксперимент, способный ее опровергнуть, то есть определить область ее применимости. Этот метод хорошо подходит для используемых нами моделей: у каждой модели есть свои ограничения, и в пределах этих границ она работает с определенной погрешностью. После этого возникает вопрос практического применения: достаточно ли точности модели для ее использования и экспериментальной проверки полученных результатов, или нам необходимо улучшать качество моделирования, не прибегая к экспериментам?

Не существует единого подхода, позволяющего определить, когда и где следует прекратить работу. В одних ситуациях достаточно приблизительной оценки, например, «лучше/хуже». В других случаях необходимо стремиться к максимально точного моделирования, хотя бы близкого к экспериментальному. При этом всегда важно подтверждать результаты практической проверкой и оценивать, соответствует ли материал, свойства которого мы моделируем, области применимости модели или нужно просто искать другую модель .

— Какие вычислительные ресурсы понадобятся для работы разрабатываемой вами нейросети в будущем? Какая вычислительная мощность и передовые технологии потребуются для обеспечения ее функционирования?

— Действительно, это непростой вопрос, поскольку применительно к моделям машинного обучения, в особенности к нейронным сетям, важно проводить четкое разграничение между этапами их обучения и эксплуатации.

Уже сейчас я могу взаимодействовать с моделью, используя свой ноутбук. К примеру, на нашем локальном сервере в тестовом режиме запущено приложение, созданное нашими разработками, которое мы сами и тестируем. Точные характеристики компьютерного оборудования, обеспечивающего работу этой системы, назвать сложно, но это не что-то особенное, а обычный персональный компьютер.

— Какое количество людей вовлечено в ваше исследование? Привлекались ли к работе в нем специалисты из других университетов или только сотрудники МГУ? Какие у них квалификации?

— Сейчас я возглавляю межкафедральную лабораторию интеллектуального химического дизайна на химическом факультете МГУ. При этом мы поддерживаем тесное сотрудничество с другими подразделениями, поскольку в Московском университете можно найти специалистов в самых разных областях – если не совсем рядом, то в пределах пешей доступности, в соседних корпусах. Например, мы активно взаимодействуем с нашим же механико-математическим факультетом – с коллегами, обладающими более глубокими знаниями в математике, которые нередко могут предложить нам свою помощь. Или, если говорить о радиохимических задачах, в МГУ существует кафедра радиохимии, где на лабораторном уровне можно проводить эксперименты, подтверждающие или опровергающие нашу теорию.

По этой причине точное число людей, задействованных в нашей работе, определить затруднительно. В состав нашей лаборатории, включая студентов и аспирантов, входит немногим более 30 человек. Однако, если рассматривать крупномасштабные проекты, связанные с разработкой новых материалов (например, поиск и оптимизация методов синтеза, проведение экспериментов и т.д.), то подобные исследования, вероятно, требуют использования крупногабаритного оборудования, включая установки класса «мегасайенс», и предполагают участие значительного числа специалистов. Таким образом, в таких проектах может быть задействовано до сотни человек, и каждый из них внесет свой вклад в достижение конечного результата.

— Существуют ли какие-либо радиоактивные соединения, существуют ли такие системы, которые в настоящее время невозможно смоделировать с использованием вычислительных методов? Если да, то чем они отличаются?

— Вероятно, это уже выходит за рамки задач, решаемых химиками, и относится к работе коллег, которые синтезируют новые сверхтяжелые элементы, например, в Объединенном институте ядерных исследований в Дубне. Следует учитывать, что время жизни таких элементов пока измеряется лишь долями секунды, что затрудняет возможность говорить об их общей химии. Безусловно, можно провести эксперименты, чтобы установить, к какой группе периодической системы они будут принадлежать. Однако применение вычислительной химии в подобных случаях представляется сложной задачей. На данный момент это скорее наука будущего. С практической точки зрения, мы можем работать со всеми элементами, присутствующими, например, в отработавшем ядерном топливе. Это составляет приблизительно сотню из 118 известных на сегодняшний день элементов.

— Возможна ли адаптация искусственного интеллекта для решения других задач в данной сфере, таких как моделирование производства материалов, в будущем?

— В целом, ответ положительный, поскольку моделирование технологических цепочек уже осуществляется. Оптимизация действующих производств представляет собой значительную и перспективную область. Тем не менее, это не напрямую связано с нашей деятельностью, поскольку для перехода от лабораторного эксперимента, требующего вычислительных ресурсов, к промышленному применению – то есть к интеграции нового решения в производственную цепочку – требуются несколько лет. Подобные работы ведутся и у нас: разработки, ранее проводившиеся в лаборатории и тестировавшиеся в контролируемых условиях, сейчас испытываются на реальных образцах отработавшего топлива в значительно больших масштабах. Однако в целом это выходит за рамки исследований, проводимых классическими учеными, работающими в лаборатории и занимающихся преимущественно фундаментальными, а не прикладными научными направлениями.

Интервью стало возможным благодаря поддержке Министерства науки и высшего образования РФ

Фотография на странице: Елена Либрик / «Научная Россия», jplenio1 / фотобанк Freepik, freepik / фотобанк Freepik.