Ученые в ближайшие годы смогут с помощью нейросетей (искусственного интеллекта, AI) очень быстро создавать новые материалы, диагностировать болезни и подбирать к ним лекарства, а также интерпретировать сложные многомерные данные, заявили ТАСС лауреаты Научной премии Сбера за 2024 год.

Награда была учреждена в 2021 году, в Год науки и технологий в России. В этом году премия впервые вручена в новой номинации "AI в науке" для молодых ученых до 36 лет за выдающиеся научные достижения, полученные с применением технологий искусственного интеллекта.
ИИ изучает лекарства

Кандидат физико-математических наук, ведущий научный сотрудник Института энергетических проблем химической физики им. В. Л. Тальрозе (ФИЦ Химической физики им. Н. Н. Семенова РАН) Марк Иванов отмечен премией в номинации "AI в науке. Науки о жизни" за применение AI в исследованиях в области протеомики.

"Протеомика должна ответить, какие белки и в каком количестве есть в образце. Мы разрезаем белки на пептиды и анализируем их на масс-спектрометре. Данные сложны и содержат шум. Мы применяем машинное обучение, чтобы за пять минут анализа получить информацию примерно о трех тысячах белках. Это в 10 раз быстрее и дешевле, чем традиционный подход", - сказал он ТАСС.

По его словам, благодаря подобным методам к 2030 году ученые смогут массово анализировать сотни образцов параллельно, выявляя биомаркеры болезней и изучая точные механизмы действия и как следствие повышая эффективность лекарств.

"Например, в исследованиях болезни Альцгеймера протеомика в сочетании с ИИ может помочь понять, почему у одних людей при наличии бета-амилоидных белков нет деменции, а у других она проявляется. А предложенный "дешевый" и доступный протеомный анализ стимулирует более широкое применение в медицине, биологии сохранения видов и экологии", - сказал он.

Если протеомика определяет биологические мишени и биомаркеры, то вычислительное материаловедение нацелено на создание новых веществ, сплавов и структур с заданными свойствами. Разработка новых материалов - долгий и затратный процесс. Но ИИ-модели позволяют просеивать огромные базы данных, предсказывая свойства соединений до синтеза, тем самым резко сокращая время от идеи до готового продукта.
ИИ создает новые материалы

По словам профессора, доктора физико-математических наук и руководителя научной группы в Сколковском институте науки и технологий Александра Квашнина разработка новых материалов - долгий и затратный процесс, но модели искусственного интеллекта позволяют просеивать огромные базы данных, предсказывая свойства соединений до синтеза, тем самым резко сокращая время от идеи до готового продукта. Александр стал лауреатом Научной премии Сбера в номинации "AI в науке. Физический мир" за применение ИИ для предсказания и исследования свойств новых функциональных и конструкционных материалов, таких как высокотемпературные сверхпроводники, сверхтвердые материалы и некристаллические структуры.

"Если говорить про нашу область, ее можно назвать вычислительным материаловедением. Мы используем методы моделирования для предсказания структуры и свойств материалов, условий их синтеза и работы. Раньше создание материала для буровых резцов могло занять пять лет и более, а мы с помощью компьютерного моделирования и ИИ справились меньше чем за два года. К 2030 году мы еще больше сократим эти сроки, создавая материалы буквально "под заказ", - сказал он.

Квашнин отмечает, что сейчас его команда и коллеги экспериментируют с нейросетевыми и регрессионными моделями, а в будущем планируют применять генеративные алгоритмы (в том числе диффузионные модели) для автоматической генерации новых кристаллических структур. Это ускорит поиск сверхпроводников, работающих при комнатной температуре, или материалов, которые могли бы улавливать и конвертировать тепло человеческого тела в электричество.

"Представьте себе умные часы, которые не нужно будет заряжать - они будут получать энергию от тепла кожи. Мы используем нейросетевые модели для предсказания свойств. В будущем применим генеративные модели для поиска новых структур. Одна модель поможет обучить другую - и мы сможем предсказывать свойства материалов, которых ещё не существует в природе. Это позволит создавать инновационные решения для энергетики, экологии, медицины", - объясняет Квашнин.

По его словам, к 2030 году оптимизация сплавов для 3D-печати, разработка сверхтвердых материалов для буровых долот или сверхпроводников для квантовых компьютеров станет делом месяцев, а не лет. Устойчивые к растрескиванию материалы, экологичные катализаторы для улавливания CO2 и преобразования его в полезные химикаты - все это станет реальностью, экономя ресурсы и снижая промышленный ущерб окружающей среде.
ИИ создаст любой фильм для любого человека

Еще один лауреат премии в номинации "AI в науке. Цифровая вселенная", руководитель исследовательской группы по генеративному ИИ в Сколтехе Александр Коротин отмечает, что генеративный искусственный интеллект помогает исследовать многомерные данные, проводить сверхразрешение карт климатических прогнозов, анализировать распределения клеток при воздействии лекарств и многое другое. Ученый получил награду за разработку цикла алгоритмов генеративного ИИ на основе оптимального транспорта для моделирования многомерных данных, цифровой обработки и синтеза изображений.

"Я занимаюсь генеративным искусственным интеллектом. Эти модели синтезируют новый контент - изображения, речь, структуры. Но мои исследования сосредоточены на фундаментальных алгоритмах, использующих теорию оптимального транспорта. Это позволяет строить более эффективные генеративные модели для многомерных данных", - говорит он.

Группа исследователей Коротина уже добилась 25-кратного ускорения диффузионных моделей для отдельных задач преобразования изображений, и это дает надежду, что к 2030 году генеративный ИИ сможет еще быстрее и точнее синтезировать новые полезные данные.

"Представьте, что лет через 10 вы сможете попросить нейросеть не просто найти фильм, а сгенерировать его по вашему запросу. Или научная группа сможет мгновенно адаптировать климатическую модель к региону, улучшить детализацию прогноза погоды, предсказать риск пожаров или наводнений. Генеративные модели станут универсальным инструментом, применимым для анализа и создания сложных систем", - говорит Коротин.

https://nauka.tass.ru/nauka/22726879