Химик в мире нейросетей: читать книгу онлайн полностью и бесплатно

А теперь представь, что ты можешь просто написать чат-боту: «Синтезируй мне аспирин, используя салициловую кислоту и уксусный ангидрид». И робот всё сделает. Именно это и продемонстрировал Coscientist — проект Carnegie Mellon и Emerald Cloud Lab (2023). Coscientist — это ИИ-агент на базе большой языковой модели (той же породы, что ChatGPT), который умеет писать код на Python для управления облачной лабораторией. Ты даёшь ему текстовое задание, он ищет в интернете методику, пишет скрипт для дозирования, нагрева и анализа, отправляет его в удалённую роботизированную лабораторию и получает результат. Ему удалось успешно синтезировать аспирин и парацетамол. Coscientist — прекрасный пример интеграции языкового интеллекта с физическим миром. Правда, он пока не придумывает новые реакции, а использует известные; его автономность — на стыке уровней 3 и 4, но с мощной языковой прослойкой.

Для неоргаников и материаловедов в Беркли построили A-Lab — автономную лабораторию, которая завязана на предсказания GNoME. Это цех с роботами-манипуляторами, печами и рентгеновским дифрактометром. Порошки оксидов дозируются, прессуются, обжигаются, а затем автоматически анализируется их кристаллическая структура. Алгоритмы активного обучения сравнивают полученную дифрактограмму с предсказанной и решают: синтез удался или нужно изменить температуру/время/соотношение реагентов. A-Lab может работать без выходных, перебирая сотни рецептов и постепенно улучшая свою модель. За несколько месяцев она синтезировала и подтвердила десятки новых соединений, которые GNoME пометил как перспективные. Это уровень 4: лаборатория сама решает, что делать дальше, основываясь на предыдущих результатах. Но даже она не умеет заказывать закончившийся оксид титана — это делает лаборант.

На промышленном уровне концепция «self-driving lab» воплощается в гигантских облачных фабриках. Ginkgo Bioworks (совместно с OpenAI) строит облачную лабораторию синтетической биологии, где роботы конструируют ДНК, тестируют штаммы микроорганизмов и масштабируют ферментацию. Доступ к таким платформам продаётся как сервис: ты загружаешь проект, а роботы выполняют его на своём оборудовании. Это всё ещё уровень 3–4, потому что человек формулирует задачу и интерпретирует результаты высокого уровня, но рутинные операции полностью автоматизированы.

Несмотря на огромные успехи, достигнутые в этом направлении, ни одна из упомянутых работизированных лабораторий пока ещё не является полностью автономной. Они не заказывают реагенты сами, не могут починить сломавшийся шприцевой насос, не меняют лампочки в спектрофотометре и не пишут в журнал «закончился гексан, закажите ещё». И ни один эксперт отрасли не скажет, что робот-химик сегодня способен заменить человека-исследователя. Скорее, робот становится суперлаборантом: неутомимым, точным, способным перебрать тысячи вариантов, пока ты думаешь о смысле.

Попробуй сам

Для начала просто посмотри, как это выглядит вживую. Найди на YouTube видео «A-Lab Berkeley autonomous lab» или «RoboChem flow chemistry» и полюбуйся, как робот-манипулятор переставляет тигли и загружает их в печь — зрелище завораживает не меньше, чем марсоход. Если тебя зацепила идея собрать такого робота самому, загляни на GitHub по запросу «RoboChem» — все файлы для 3D-печати и код лежат в открытом доступе, и, возможно, ты построишь своего химического ассистента. А если хочешь уже сейчас почувствовать, как думают эти роботы, открой Google Colab и найди любой учебный блокнот по байесовской оптимизации. Придумай простую «игрушечную» химическую задачу: пусть выход реакции зависит от температуры и времени как какая-нибудь математическая функция с одним максимумом. Сначала запусти случайный перебор — десять случайных точек, и посмотри, какой максимальный выход нашёлся. Потом запусти оптимизацию: она сама выбирает следующую точку, основываясь на предыдущих результатах. Сравни, за сколько шагов байесовская оптимизация нашла оптимум, пока случайный поиск всё ещё блуждает в потёмках. Никакой магии — просто умный алгоритм, который учится на ходу. Именно так работают self-driving labs: они не перебирают всё подряд, а с каждым опытом становятся умнее.

Глава 11. Когда ИИ берёт в руки инструменты

В предыдущей главе мы познакомились с роботами, которые смешивают, греют и анализируют. Но у каждого робота есть программа, которая говорит ему, что делать. Часто это просто список команд, заложенный человеком. Но всё чаще этим мозгом становится ИИ-агент — автономная программа, которая не просто выполняет приказ, а сама решает, какой инструмент взять, чтобы решить задачу. В этой главе разберёмся, как такие агенты берут в руки не пробирки, а программные инструменты — и становятся «менеджерами-учёными».

Мы уже сравнивали роботов-химиков с автопилотами: у них есть уровни автономности. Но там речь шла о физическом исполнении — дозировании, нагреве. Агент же живёт в мире программ. У него нет рук; его «инструменты» — это API, базы данных, расчётные модули. Он может запустить предсказание ретросинтеза в ASKCOS, посчитать энергию в DFT, поискать статьи в PubMed, сгенерировать гипотезу и даже написать код для управления роботом. Именно соединение «головы» (агента) с «руками» (лабораторным роботом) даёт ту самую автономность уровня 4, о которой мы говорили. Чтобы не запутаться, запомни главное различие: робот — это исполнительный механизм, лабораторная посуда с моторчиком. Агент — это стратег, который сидит в облаке, перебирает цифровые инструменты и говорит роботу: «Сделай так».

Одним из первых таких агентов стал ChemCrow — проект, соединивший большую языковую модель (на основе GPT-4) с восемнадцатью химическими инструментами. Это как швейцарский нож, где есть такие «лезвия», как RXN for Chemistry (предсказать реакцию), AiZynthFinder (найти путь синтеза), модули поиска литературы, расчёта свойств и даже генератор синтеза полимеров. Ты даёшь ChemCrow текстовое задание: «Синтезируй репеллент от комаров, используя доступные реагенты, и предложи методику». Модель анализирует запрос и выбирает нужные инструменты: сначала запускает ретросинтез, чтобы понять, из чего сделать диэтилтолуамид (DEET), потом проверяет свойства реагентов в базе данных, генерирует протокол и может передать его роботу-исполнителю. При этом ChemCrow не просто копирует готовый рецепт, а рассуждает (или, по крайней мере, имитирует рассуждение) о том, какой растворитель выбрать, почему эта стадия может пойти с плохим выходом и стоит ли попробовать альтернативный путь. Это шаг к тому, чтобы машина стала не просто библиотекарем, а напарником в мозговом штурме.

Ещё интереснее системы, которые называют AI co-scientist (ИИ-соучёный). Их задача — не просто выполнить приказ, а помочь тебе придумать гипотезу. Например, ты хочешь разработать новый катализатор для расщепления воды. В мире опубликованы тысячи статей по катализу. Прочитать их все невозможно. Но ИИ-агент может «проглотить» эту гору текстов за часы и найти закономерности, которые никто не замечал. Он говорит: «Смотри, в таких-то статьях 2015, 2018 и 2022 годов упоминаются похожие комбинации металлов, но никто не пробовал их при высоком давлении. Давай проверим?» Такие агенты формулируют гипотезы, ищут «белые пятна» — области, где данных мало, а потенциальный прорыв велик. Фактически они работают как идеальный ассистент, который никогда не спит и помнит каждую прочитанную статью. Конечно, окончательное решение, какую гипотезу проверять, остаётся за тобой. Но перебрать миллион вариантов и отсеять заведомо безнадёжные машина может за минуты.

А что будет, если запустить не одного, а нескольких ИИ-агентов, у каждого из которых своя специализация (вспомни принцип MoE)? Один — эксперт по термодинамике, второй — по кинетике, третий — по токсичности. Они получают общую задачу и начинают спорить друг с другом, пока не придут к согласованной гипотезе. Такие мультиагентные системы, например SciAgents, работают как научная группа. Один агент предлагает: «Давайте использовать марганцевый катализатор». Второй возражает: «Но побочная реакция с водой даст нестабильный интермедиат». Третий подсказывает: «Если добавить хлорид-ион, он стабилизирует комплекс, смотрите статью 2024 года». В итоге они вырабатывают взвешенное предложение, которое уже потом предъявляют человеку. Это похоже на консилиум врачей или защиту диплома, только очень быстро.

Теперь соедини агента-стратега с роботом-исполнителем. Получится полностью автономный цикл: ты ставишь общую задачу («найди новый ингибитор для этого белка»), агент формулирует гипотезы, выбирает кандидатов, планирует синтез, а робот выполняет реакцию и проводит тесты. Результат возвращается агенту, и тот уточняет модель. Так работают самые продвинутые лаборатории уровня 4, и именно этот альянс — главный тренд ближайших лет. Скорее всего, химик будущего будет не столько стоять у прибора или лабораторного стола, сколько управлять парком ИИ-агентов, как дирижёр оркестром.

Попробуй сам

Для начала почувствуй себя в роли «агента» с самым простым инструментом — обычным чат-ботом. Открой ChatGPT или любой аналогичный сервис с доступом в интернет и дай ему задание: «Предложи план синтеза аспирина из подручных средств, найди методики и сравни их по безопасности. Аргументируй выбор». Ты увидишь, как он «размышляет»: проверяет несколько источников, взвешивает плюсы и минусы, даже указывая, какой растворитель безопаснее. Это и есть упрощённая модель того, как работают химические агенты: они точно так же комбинируют информацию. Если чат-бот сказал что-то подозрительное, не поленись перепроверить источники — мы же помним про критическое мышление.

Теперь шаг посложнее — для тех, кто не боится Python. Настоящий ChemCrow устроен так: языковая модель не просто общается, а дергает за ниточки, запуская определённые функции — например, запускает расчёт молярной массы. Ты можешь собрать своего мини-агента прямо сейчас. Напиши простенькую функцию на Python, которая принимает химическую формулу (строку вроде C6H12O6) и возвращает молярную массу. Затем подключи эту функцию к языковой модели через механизм function calling — в OpenAI API это делается парой строк кода. Задай боту вопрос: «Какая молярная масса у глюкозы?». Вместо того чтобы угадывать число из памяти или лезть в интернет, бот вызовет твою функцию, получит точный расчёт и выдаст ответ со ссылкой на неё. Ты только что собрал простейшую версию ChemCrow: связку «языковая модель + инструмент». Не магия, а архитектура, которую ты можешь повторить сам.

Если хочешь увидеть, как выглядит взрослая версия, загляни на GitHub по запросу «ChemCrow» — там выложен открытый код, который при желании можно запустить с настоящими химическими API. Но даже просто полистать документацию полезно: ты увидишь, как языковая модель вызывает внешние сервисы, и поймёшь, что под капотом у агентов нет никакого волшебства — только грамотно связанные друг с другом программы. В следующей главе мы спустимся на ступеньку ниже — от планирования к анализу. Ты синтезировал вещество, теперь надо понять, что получилось. И тут в игру вступают нейросети-спектроскописты.

Глава 12. Призрак в спектре

Ты сидишь в лаборатории, перед тобой — колба с вязкой жидкостью, брутто-формула вещества C₁₇H₂₁NO₄, но ты понятия не имеешь, как именно атомы сложились в пространстве. Рядом лежит листок с ЯМР-спектром — десятки пиков, дублетов, триплетов, мультиплетов. Твоя задача: восстановить полную структуру молекулы. Без этого ты не можешь публиковать статью, не можешь продолжать синтез, не можешь даже толком понять, что создал. Ты — детектив, спектр — улика, а неизвестная молекула где-то прячется за частоколом сигналов. Ещё двадцать лет назад ты потратил бы на решение этой задачи несколько дней, а то и недель. Сегодня ты открываешь ноутбук, загружаешь файл и через секунду получаешь ответ: «Вероятнее всего, это скополамин — природный алкалоид, содержащийся в растениях семейства паслёновых».

В главе 1 мы вспоминали, как химики конца XX века «расшифровывали» спектры вручную. Ты получал бумажную ленту самописца с пиками, похожими на кардиограмму, и начинал священнодействие. Для каждого сигнала нужно было измерить химический сдвиг (в миллионных долях, линейкой по распечатке!), посчитать интеграл (площадь под пиком — сколько протонов), оценить мультиплетность (расщепление) и константы взаимодействия. Потом всё это складывалось в мозаику: «Если тут дублет на 2.1 м.д. и интеграл 3Н, а там квартет на 4.0 м.д. и интеграл 2Н, то, кажется, это этильная группа, соседствующая с карбонилом…». Ты сидел с карандашом, рисовал возможные фрагменты, перебирал варианты, спорил с коллегами. Это было искусство, требовавшее колоссального опыта и пространственного воображения. Параллельно существовал и «компьютерный» путь: запустить расчёт для предполагаемой структуры и предсказать спектр. Но такой расчёт работал медленно и требовал подгонок. На один спектр нередко уходили часы машинного времени, а ошибки всё равно оставались.

Сегодня же предсказание ЯМР-спектра (химические сдвиги и константы связи для ¹H, ¹³C, ¹⁵N, ¹⁹F) можно получить меньше чем за секунду. Именно так работает IMPRESSION-G2 — трансформерная нейросеть, обученная на огромной базе квантово-химических расчётов и экспериментальных данных. Помнишь трансформеры, которые «переводят» молекулы в свойства? Здесь тот же принцип: на вход подаётся трёхмерная структура молекулы, а нейросеть мгновенно выдаёт значения всех химических сдвигов с точностью, почти неотличимой от DFT, но во много раз быстрее. На обычном ноутбуке за минуту можно обсчитать сотни молекул — задача, на которую у суперкомпьютера с DFT ушли бы недели. Как это меняет работу? Раньше, чтобы проверить гипотезу о структуре, ты должен был либо полагаться на интуицию, либо запускать долгий расчёт. Теперь ты спрашиваешь: «А что если это не пара-изомер, а орто-изомер?» — и через секунду видишь предсказанный спектр для каждого варианта. Наложил на экспериментальный — и сразу видно, какой лучше подходит.

Но и это не вершина. IMPRESSION-G2 предсказывает спектр по структуре. А что, если мы хотим обратного: из спектра получить структуру? Именно это делает ChefNMR — диффузионная модель, которая по протонному спектру и брутто-формуле восстанавливает молекулярную структуру. Помнишь диффузионные модели (MatterGen, RFdiffusion), которые лепят молекулы из шума? Здесь шум — это не координаты атомов, а спектральные данные, которые постепенно «очищаются» до конкретной формулы. Для сложных природных соединений точность ChefNMR превышает 65% на симулированных бенчмарках; на реальных экспериментальных спектрах этот показатель ниже. Тем не менее, для полностью автоматического метода это весьма солидно, ведь природные молекулы часто имеют запутанные полициклические скелеты с десятками стереоцентров. Можно сказать, что ChefNMR работает как опытный шеф-повар: по «аромату» спектра (пикам) и «весу» молекулы (брутто-формуле) восстанавливает рецепт укладки. И пусть пока точность не 100%, для первичного скрининга неизвестного вещества это удобный инструмент. За считанные минуты ты получаешь нескольких правдоподобных кандидатов и затем проверяешь их другими методами.

Что всё это значит для тебя, химика? Твоя роль принципиально меняется. Раньше ты был криминалистом с лупой, который часами сличал отпечатки пальцев (спектры) с картотекой. Теперь нейросеть делает это за тебя. Ты же превращаешься в Шерлока Холмса, который смотрит на результат и задаёт неочевидные вопросы: «Почему машина уверена, что гидроксильная группа находится именно здесь, хотя интеграл протона чуть меньше ожидаемого? Может, происходит таутомерия? Или внутримолекулярная водородная связь?». Ты начинаешь думать не только о формуле, а о динамике молекулы, о её поведении в растворе. Нейросеть даёт версию — ты её критически осмысливаешь. Это то самое партнёрство «человек + ИИ», где рутина отдана машине, а стратегия и интерпретация — тебе. И, конечно, не забывай: нейросети иногда ошибаются, особенно если молекула содержит редкие атомы или находится в необычном окружении. Поэтому окончательный вердикт всегда за экспериментом, но при этом скорость выдвижения гипотез возрастает в разы.

Попробуй сам

Сейчас ты сам станешь детективом по отпечаткам молекул. Зайди на nmrdb.org — это бесплатный предсказатель ЯМР-спектров, который работает прямо в браузере. Нарисуй структуру этанола и нажми «Predict NMR». Ты увидишь модельный протонный спектр с пиками, мультиплетностью и интегралами. Найди в интернете реальный спектр этанола (просто введи в поиск картинок «ethanol 1H NMR») и сравни: где совпало идеально, а где разошлось? Подумай, почему: может, модель не учитывает растворитель, или реальный спектр снят на приборе с иным разрешением?

Потом перейди к детективной задаче: найди в сети спектр кофеина и попробуй вручную, с линейкой, определить структуру — как химик из девяностых. А теперь скорми этот же спектр модели в nmrdb.org и посмотри, что предложит машина. Сравни свой вариант с машинным. Где ты ошибся? Где машина была слишком самоуверенна? Именно так работает современная спектроскопия: нейросеть выдвигает версию, а ты её допрашиваешь. Не принимай предсказание на веру — помни, что редкие атомы и необычные условия могут сбить даже самую умную модель с толку. В следующей главе мы посмотрим, как лабораторный журнал, который раньше был просто тетрадкой с кляксами, превращается в интеллектуального ассистента и сам пишет черновик статьи.