Российские исследователи разработали модель машинного обучения для прогнозирования стабильности комплексов редкоземельных и актинидных элементов

Исследователи междисциплинарной лаборатории интеллектуального химического дизайна химического факультета МГУ совместно с коллегами с механикo-математического факультета разработали новую модель машинного обучения для оценки стабильности комплексов редкоземельных элементов и трёхвалентных актинидов. Результаты опубликованы в журнале Journal of Chemical Physics.

Исследовательская группа отмечает, что машинное обучение позволяет снизить временные и материальные затраты в химических исследованиях, что особенно важно для редких, дорогостоящих или опасных лантанидов и актинидов. Лантаниды вместе со скандием и иттрием обычно относят к редкоземельным элементам, которые широко применяются в постоянных магнитах, аккумуляторах, электронных компонентах и лазерах. Поскольку редкоземельные элементы в природе чаще всего присутствуют в минеральном сырье в микроколичествах и обладают схожими химическими свойствами, их разделение и очистка отличаются сложностью и высокой стоимостью.

Актиниды обладают радиоактивностью и имеют важное применение в ядерной промышленности. Повышение эффективности разделения актинидов из отработавшего ядерного топлива считается способствующим развитию замкнутого ядерного топливного цикла и сокращению объёмов радиоактивных отходов. В настоящее время использование специально разработанных органических лигандов для селективного связывания целевых элементов является одним из важных направлений исследований в области разделения редкоземельных элементов и актинидов.

Как поясняют исследователи, из-за схожести химических свойств f-элементов, а также экспериментальных ограничений, связанных с радиоактивностью актинидов, традиционный экспериментальный скрининг лигандов сталкивается со значительными трудностями. В данной работе команда использовала базу данных NIST46 и данные из соответствующей литературы для создания новой базы данных комплексообразователей f-элементов и на её основе обучила графовую свёрточную нейронную сеть для прогнозирования констант стабильности комплексов.

В отличие от предыдущих моделей, основанных преимущественно на структуре лигандов, новая модель позволяет интегрировать информацию о комплексообразовании различных металлов в единую архитектуру нейронной сети, расширяя тем самым круг элементов, для которых возможен быстрый расчёт констант стабильности с помощью машинного обучения. По словам исследовательской группы, одной из особенностей модели является возможность использования её для соответствующих прогнозов даже в случае, если какой-либо металл не был включён в обучающий набор. Исходный код проекта находится в открытом доступе.

Исследователи отмечают, что новая модель хорошо зарекомендовала себя в прогнозировании свойств актинидов и может оказать поддержку в поиске более эффективных и селективных лигандов. На текущем этапе исследования основное внимание уделяется комплексам со стехиометрией 1:1, в дальнейшем команда планирует продолжить изучение других типов комплексов и наладить сотрудничество с исследователями в области синтеза для продвижения применения соответствующих моделей в таких направлениях, как переработка отработавшего ядерного топлива.