Специалисты Исследовательского центра по изучению искусственного разума Московского государственного университета имени М.В. Ломоносова разработали новаторский подход, дающий возможность интерпретировать выводы графовых нейронных сетей при анализе молекулярной структуры. Journal of Chemical Information and Modeling.

Графические нейросети в настоящее время широко применяются для предсказания характеристик химических соединений, поиска новых веществ и создания инновационных материалов и фармацевтических средств. Однако, несмотря на высокую эффективность, эти модели зачастую представляют собой «закрытый ящик» для ученых: они демонстрируют результат, но не раскрывают факторы молекулярного строения, повлиявшие на него. Это создает препятствия для внедрения подобных систем в химические исследования.

Наиболее заметно эта трудность проявляется при работе с симметричными соединениями. Многие существующие подходы к интерпретации решений нейронных сетей рассматривают отдельные атомы и связи по отдельности, игнорируя молекулярную симметрию. В итоге химически идентичные части могут оцениваться неравномерно, что не согласуется с представлениями экспертов о строении веществ.

Для преодоления этой проблемы ученые предложили метод MolgraphX. Данная методика позволяет выявлять влияние отдельных атомов и частей молекулы на предсказания графовой нейронной сети, принимая во внимание симметрию вещества. Это способствует получению объяснений, которые более точно отражают химические закономерности и позволяют соотнести результаты работы искусственного интеллекта с конкретными структурными особенностями.

В ходе экспериментов ученые опробовали разработанный метод на нескольких коллекциях информации об органических соединениях. Полученные данные были сопоставлены с общепринятыми способами интерпретации работы нейронных сетей, что продемонстрировало более высокую точность выделения ключевых химических составляющих молекул при сохранении приемлемой производительности даже для комплексных структур.

В целях объективной оценки исследователи организовали экспертную оценку без разглашения информации об используемых алгоритмах. Химики-эксперты должны были сравнить объяснения, сгенерированные разными методами. В большинстве случаев предпочтение отдавалось результатам, полученным при помощи MolgraphX, поскольку они соответствовали химическому опыту и общепринятым представлениям о влиянии отдельных частей молекулы на ее характеристики.

Также была изучена вычислительная нагрузка алгоритма. Результаты показали, что с ростом размера анализируемых молекул производительность MolgraphX остается удовлетворительной, а его масштабируемость превосходит многие существующие подходы к объяснению работы нейронных сетей.

«Новейшие разработки в области искусственного интеллекта демонстрируют умение с высокой степенью достоверности определять характеристики соединений, но для ученых критически важно осознавать факторы, лежащие в основе этих прогнозов. В рамках нашего исследования мы разработали подход, который принимает во внимание симметричные особенности молекул и даёт возможность соотносить результаты работы нейронной сети с определёнными химическими элементами строения. Такой метод повышает прозрачность получаемых данных и приближает интерпретацию решений модели к логике рассуждений, применяемой профессиональными химиками», — подчеркнул один из участников научной работы, доцент кафедры радиохимии факультета химии. Артём Митрофанов.

Авторы утверждают, что разработанный метод может найти применение в изучении свойств веществ, поиске новых соединений, создании материалов и других областях, где графовые нейросети используются для анализа химических структур.

Информация предоставлена пресс-службой МГУ

Источник фото: ru.123rf.com