Возможности нейросети в создании катализаторов оценили сибирские ученые

Новосибирск. 23 июня. ИНТЕРФАКС - Специалисты ФИЦ "Институт катализа им. Г.К.Борескова СО РАН" пришли к выводу, что с помощью машинного обучения можно разрабатывать новые катализаторы, но для разработки принципиально новых продуктов необходимо участие человека, сообщил "Интерфаксу" соавтор работы, ведущий научный сотрудник института Андрей Загоруйко.

"Получаемые с помощью машинного обучения результаты всегда находятся в сфере существующего набора знаний и не пригодны для экстраполяции с выходом за пределы имеющихся обучающих экспериментальных массивов. Качественно новые, "прорывные" результаты пока что могут быть получены только при участии человека", - сказал он.

Загоруйко рассказал, что сначала нейросеть обучили на данных 469 экспериментов по свойствам различных катализаторов для реакции гидрогенолиза (расщепления водородом) парафинов.

Акцент был сделан на такие параметры как состав катализатора, тип носителя, площадь поверхности, температура восстановления и условия реакции.

Затем на основе рекомендаций алгоритма ученые синтезировали два катализатора на основе никеля (никель-оксид алюминия и никель-оксид титана) и измерили экспериментально их каталитическую активность, которая оказалась близка к предсказанной искусственным интеллектом.

"Оба образца были в числе лучших в каждом из подклассов", - отметил ученый.

Затем исследователи с помощью этого же алгоритма попытались предсказать свойства созданного ими катализатора, который не вошел в обучающую выборку и принципиально отличался от всего, что было описано в литературе.

"Оказалось, что по экспериментальным данным катализатор намного, более, чем на порядок, лучше предсказания", - сказал Загоруйко.

Машинное обучение позволяет быстро обработать большие объемы информации и при необходимости скорректировать ход исследований, ориентируясь на предсказания модели, если, например, катализатор не дает предсказанные параметры, сказал он

"Если катализатор лучше предсказаний - это может свидетельствовать об открытии чего-то нового", - добавил Загоруйко.

В целом, отметил он, машинное обучение может быть эффективно в той части моделирования каталитических процессов, которая опирается на упрощающие элементы (своего рода "черные ящики", дающие формальное описание свойств объекта).