Нейросеть научилась мгновенно оценивать электронные свойства органических полимеров — без дорогих суперкомпьютеров: Химия и науки о материалах

Новый подход в прогнозировании свойств сопряженных органических полимеров с помощью нейронных сетей

© Koskin, I. P. et al. Polymers, 2026

Исследователи из Новосибирского института органической химии СО РАН и НГУ создали нейросеть на архитектуре DimeNet++, которая предсказывает ключевые электрические характеристики сопряженных полимеров по трёхмерной структуре исходного мономера. Модель достигает точности на уровне передовых мировых методов (ошибка около 0,07 эВ) и при этом не требует предварительных квантово-химических расчетов. Это позволяет химикам отсеивать заведомо неподходящих кандидатов ещё до синтеза, экономя месяцы лабораторной работы. Исследование выполнено при поддержке гранта Российского научного фонда (РНФ) и опубликовано в журнале Polymers.

Органические полимеры являются основой современной гибкой электроники: от солнечных батарей и транзисторов до газовых сенсоров и светодиодов. Однако создание нового полимера с нужными свойствами может занимать недели или месяцы синтетической работы, а компьютерное моделирование требует больших вычислительных мощностей и не всегда даёт точный результат. В итоге многие перспективные молекулы так и остаются непроверенными.

В связи с этим сибирские ученые, вместо того чтобы «в лоб» моделировать полимер, поступили иначе: они обучили графовую нейронную сеть на массиве уже известных данных – сначала на расчётных (около 54 000 точек), а затем дообучили на реальных экспериментальных измерениях.

«Когда мы попробовали обучить нейросеть только на экспериментах, ошибка составляла больше 0,3 эВ, что неприменимо для практического использования. Модель просто запоминала данные, а не понимала химию процесса, – рассказывает участник работы Лев Петросян. – Но если сначала дать сети понять квантовую механику мономеров на расчётных данных, а потом аккуратно дообучить на реальных полимерах, точность резко возрастает».

Ключевым открытием стало то, что характер предварительного обучения имеет решающее значение. Если сеть учили на одиночных молекулах (мономерах), улучшение было минимальным (ошибка ~0,29-0,35 эВ). Однако если использовались данные, экстраполированные на бесконечную полимерную цепь, точность скачкообразно возрастала. Итоговая модель достигла точности, сравнимой с лучшими мировыми аналогами: ширина запрещённой зоны – ошибка 0,074 эВ, уровень ВЗМО – ошибка 0,141 эВ, уровень НСМО – ошибка 0,172 эВ.

Теперь ученым больше не нужно будет проводить сложные квантовые расчёты или проходить слепой синтетический путь. Достаточно построить трёхмерную модель мономера (даже с помощью простого компьютерного силового поля), отдать её на анализ нейросети и через секунду получить предсказание.

Архитектура DimeNet++ была выбрана не случайно. В отличие от классических графовых сетей, она использует направленную передачу сообщений, что позволяет явно учитывать длины связей, валентные и двугранные углы. Анализ внутренних представлений модели показал, что при дообучении сеть не перестраивается заново, а мягко адаптирует знания из области квантовой химии мономеров к миру экспериментальных полимеров.

«Наша работа показывает, что грамотно подобранное предобучение на "полимер-релевантных" расчетных данных способно заменить дельта-обучение и устранить главный узкий вычислительный этап – предварительный TD-DFT расчет. Теперь химик-синтетик может буквально за секунду оценить, будет ли предложенный мономер давать нужную запрещенную зону для органического фотоэлемента, прежде чем тратить месяцы на его синтез», – поясняет руководитель проекта, к.х.н. Игорь Павлович Коскин.

Разработанный подход открывает новые возможности для ускоренного скрининга и целевого молекулярного дизайна сопряженных полимеров. В перспективе метод может быть распространен и на другие классы полимерных материалов, а также на предсказание более широкого спектра свойств: механическую прочность, температуру стеклования, подвижность зарядов.

Источник: indicator.ru