Квантовые «отпечатки» молекул повысили точность машинного обучения в 100 раз

Химики из Корнеллского университета разработали новый метод описания молекул для машинного обучения (МО), который позволяет предсказывать их свойства с точностью, в 100 раз превышающей текущие популярные подходы. Вместо использования структурной информации (типы атомов и их положение) метод Semi-Local Density Fingerprints (SLDFs) кодирует квантово-механические данные молекулы — распределение её электронной плотности.

«Большинство молекулярных дескрипторов в машинном обучении основаны на химическом составе и позициях атомов», — пояснил руководитель исследования, профессор химии Роберт ДиСтасио. Он предложил использовать результаты приближённых квантово-механических расчётов, которые выполняются ежедневно, в качестве богатого источника данных для алгоритмов.

Как объяснил первый автор работы, аспирант Чжуофань Шэнь, расчёт методом функционала плотности (DFT) занимает у компьютера несколько минут. Затем выходные данные этого расчёта преобразуются в уникальный «отпечаток» молекулы, содержащий ценную квантовую информацию.

В исследовании, опубликованном в «The Journal of Physical Chemistry Letters», модель МО обучали на базе данных конформационных энергий тысяч молекул. Ключевым испытанием стала способность модели точно предсказать энергии для молекул, которых она «никогда не видела» в обучающей выборке, включая молекулы с атомами третьего периода таблицы Менделеева (например, серой или фосфором), хотя обучалась она только на молекулах с атомами первого и второго периодов.

«Как машинное обучение может делать точные предсказания для молекул, содержащих атомы третьего ряда, если оно видело только молекулы с атомами второго ряда? SLDFs решают эту загадку, фокусируясь на том, что действительно важно — на электронах», — заявил соавтор работы, постдок Закари Спарроу.

Поскольку электроны есть у всех молекул, новый подход обеспечивает высокую «переносимость» модели. Метод SLDFs в сочетании с МО может применяться для решения широкого круга задач в химии, физике и материаловедении, включая предсказание энергий реакций, кинетических барьеров и целенаправленный дизайн новых материалов с заданными свойствами.

Дополнительная информация: Zhuofan Shen et al, Learning Molecular Conformational Energies Using Semilocal Density Fingerprints, The Journal of Physical Chemistry Letters (2025). DOI: 10.1021/acs.jpclett.5c02222