⏩️ Теория функционала плотности — главный рабочий инструмент современной вычислительной химии, который позволяет понять, как электроны распределены в пространстве вокруг ядер молекулы. Зная это распределение (электронную плотность), можно вычислить энергию молекулы, ее форму, прочность связей, ее физические свойства, и то, как она будет реагировать с другими веществами. Однако точный функционал плотности — единая математическая формула, которая должна работать для любой молекулы или атома, — до сих пор неизвестен, поэтому химики используют сотни разных моделей, каждая из которых имеет свои сильные и слабые стороны.
Авторы объединили традиционную модель с нейросетью, обученной на высокоточных данных о молекулах. Такой подход позволяет автоматически уточнять параметры модели для конкретной системы без нарушения физических ограничений. Метод протестировали на 30 типах химических реакций и показали, что он заметно повышает точность расчета энергий по сравнению с существующими функционалами.
✔️ Оказалось, что новый усиленный нейросетью функционал проводит расчеты почти на 26% точнее, чем исходный функционал без нейросети.
✔️ В отличие от более ранних нейросетевых функционалов, которые могут игнорировать физические законы для получения правильного ответа, новый метод гарантирует их соблюдение.
«Нам не пришлось отказываться от классических наработок, мы научили нейросеть локально подстраивать параметры уже существующего функционала, сохраняя ключевые заложенные в него создателями физические знания. Это как взять хорошо сконструированный двигатель и тонко его настроить, а не пытаться собрать новый из случайных деталей. Такой инструмент пригодится везде, где необходимо заранее знать свойства соединений, например при создании лекарств, катализаторов и новых материалов. В дальнейшем мы планируем объединить разработанный в данной работе подход с
предложенным
нами ранее решением проблемы “слепого пятна” в теории функционала плотности для создания еще более надежных функционалов. Это позволит повысить эффективность применения теоретических методов в виртуальном скрининге химических реакций и установлении их механизмов», — рассказывает руководитель проекта, поддержанного грантом РНФ, Михаил Медведев, кандидат физико-математических наук, старший научный сотрудник группы теоретической химии ИОХ РАН
📌 Результаты опубликованы в Journal of Chemical Theory and Computation
📌 Подробнее — в материале InScience
😊 РНФ | Телеграм | ВКонтакте | MAX #новостинауки_РНФ #химия