Исследования лаборатории Центр искусственного интеллекта в химии

 

Никита Серов, Юля Разливина

Главная миссия нашей ветки исследований – ускорить разработку функциональных молекул, лекарств и материалов, сформировав новый подход к решению химических и материаловедческих задач, основанный на автоматизации, больших данных и алгоритмах искусственного и естественного интеллекта. Это мотивировано постоянным усложнением химических систем и решаемых ими задач, которые – либо в ближайшие десятилетия, либо в принципе – не могут быть в достаточной степени описаны теоретическими расчетами.

Наша группа разрабатывает цифровые методы для предсказания свойств (ферментативная активность наноматериалов, контрастирующая способность наночастиц) и биологических эффектов (токсичность, время полувыведения, антибактериальные и антивирусные свойства) химических систем, а также поиска молекул и материалов с новыми свойствами (терапевтические молекулы для редких заболеваний, белки с новымитипами каталитической активности, наноматериалы с заранее заданной морфологией).

Также в фокус группы входит применение высокопроизводительных методов синтеза и характеризации молекул и материалов для наработки воспроизводимых больших данных. В амбициозные цели входит полная автоматизация лабораторий, распределенная система цифровых журналов для сбора данных, а также развитие направления естественного интеллекта на сетях нейронов.

Даниил Кладько

Data-driven magnetic materials for nanomedicine

Фокус работ направлен на создание data-driven магнитных материалов для наномедицины, которые используются как контрастные агенты для МРТ, дистанционного контроля биохимических процессов, магнитной гипертермии, магнитоэлектрические наночастицы для биомедицины, а также для магнитной адресной доставки лекарств.

Данные области применения магнитных материалов исследуются на протяжении последних десятилетий, однако значительного практического выхода не наблюдалось.

Это во многом обусловлено невозможностью эмпирически осуществить рациональный дизайн магнитных материалов в направлении получения наиболее эффективных. Для предсказания таких материалов и генерации нового знания в рамках данного направления предлагается использовать методы искусственного интеллекта и машинного обучения, которые базируются на собранных базах данных и умеющие оценивать многомерные массивы данных.

Data-driven magnetic soft robot design

Мягкая робототехника специализируется на конструировании роботов из мягких материалов, подобных тканям живых организмов. Данная область является одной из наиболее мультидисциплинарных, включая в себя знания материаловедения, биологии, физики и инженерии.

Недавние достижения в области функциональных мягких материалов способствовали появлению нового класса мягких роботов, способных активироваться в ответ на внешние раздражители, такие как тепло, свет, растворитель, электрическое или магнитное поле.

Среди различных типов материалов, реагирующих на раздражители, магнитно-мягкие материалы продемонстрировали значительный прогресс в контексте дизайнов и методов фабрикации, что привело к разработке магнитных мягких роботов с уникальными преимуществами и потенциалом для многих важных приложений. Тем не менее, область магнитных мягких роботов все еще находится в зачаточном состоянии и требует дальнейшего совершенствования с точки зрения принципов дизайна, методов изготовления, механизмов управления и способов измерения.

Данное направление работ связано именно с принципами рационального дизайна магнитных мягких роботов с использованием методов искусственного интеллекта и машинного обучения для инвертированного дизайна роботов непосредственно под конкретные задачи, в частности, для малоинвазивной хирургии.

Александр Фальчевская и Виталий Николаев

Data-driven Metal-Ion аккумуляторы

Мы живём во время доминирования Li-Ion аккумуляторов. Каждый день они обеспечивают работу наших девайсов. Но их параметры всё ближе к своему физическому пределу. Классический подход trial-error для получения научных результатов требует колоссального количества ресурсов, и не гарантирует научного и технологического прорыва. Для предсказания и генерации новых знаний, в том числе за пределами человеческой научной интуиции, необходимо применять Искусственный Интеллект (ИИ) и Машинное Обучение (МО). Именно поэтому наша работа будет тесно связана с ИИ и МО, и направлена на поиск эффективных электродных материалов, электролитов и других компонентов аккумуляторов, а также влияния условий синтеза на удельную и объёмную энергоёмкость.

Основной анодный материал в Li-Ion аккумуляторах – графит, но новые вызовы требуют смелых решений, в том числе провокационных как конвекционные материалы Si, Ge, Sn, Sb. Они обладают в разы большой ёмкостью, чем графит, но страдают от большого объёмного расширения. С помощью новых методов, в том числе реакции гальванического замещения с галлием, мы хотим получить композиционные материалы на их основе и улучшить их характеристики для применения в аккумуляторах нового поколения.

Артур Прилепский

Работа группы сосредоточена на разработке материалов с контролируемой гидрофобной/гидрофильной и омнифобной/омнифильной природой, методах фотолитографии и микроструктурирования поверхности.

Основные задачи, которые решаются в лаборатории включают создание методов высокопроизводительного скрининга (high-throughput screening) для персонализированной медицины, поиска перспективных лекарств, новых наноматериалов, микрореакторного синтеза, и других областей, требующих повышения производительности и параллелизации.