Обзор событий 2025 года: ИИ, квантовые вычисления и суперкомпьютеры в моделировании в химии

Искусственный интеллект и foundation‑модели для химии

В 2025 году вышел крупный обзор по ИИ для химии, который систематизировал данные о методах, типах химической информации и прикладных задачах – от предсказания свойств до генерации новых молекул и материалов. Отдельно обсуждаются представления молекул и материалов, архитектуры моделей и проблемы качества/смещения данных, что закрепляет ИИ как полноценный «второй язык» современной вычислительной химии, а не просто вспомогательный инструмент.

Параллельно большое внимание привлекли обзоры по роли машинного обучения и генеративных моделей в вычислительной химии и молекулярных науках, где подчёркивалась связь между теорией функционала плотности (DFT) и обучением ИИ‑моделей, а также важность интерпретируемости и физически обоснованных архитектур.

Одним из заметных событий стала публикация работы о foundation‑модели ChemFM – крупной модели для химического дизайна и предсказания свойств, обученной на разнотипных химических данных и задачах. Авторы позиционируют её как «фундаментальную модель» по аналогии с языковыми моделями: один раз обученная ChemFM способна с минимальным дообучением решать широкий спектр задач – от предсказания растворимости до токсичности и активности против бактерий.

В статье подчёркивается, что такая модель успешно переносится между задачами и способна проектировать новые потенциальные антибиотики, демонстрируя, что единое ИИ‑ядро может заменить набор узкоспециализированных моделей. Это иллюстрирует более широкий тренд 2025 года: переход от точечных ML‑инструментов к масштабируемым платформам, которые можно использовать в различных областях химии и фармацевтики.

Гигантские датасеты и новые методы квантовой химии

Ключевым инфраструктурным событием стало объявление о наборе данных Open Molecules 2025 (OMol25), включающем свыше 100 миллионов трёхмерных конфигураций молекул с результатами квантово‑химических расчётов на уровне DFT. В отличие от прежних наборов, где молекулы обычно содержали 20-30 атомов и ограниченный набор элементов, OMol25 охватывает системы до примерно 350 атомов и включает тяжёлые элементы и металлы, традиционно трудные для надёжного моделирования.

Создатели подчёркивают, что цель OMol25 – служить «тренажёром» для ML-потенциалов, способных достигать точности квантовой химии при существенно меньших вычислительных затратах. Такой объём и разнообразие данных должны позволить моделировать динамику и реакции в системах, ранее недоступных для прямых DFT‑симуляций, например сложные электролиты для батарей или крупные лекарственные лиганды.

В начале 2025 года была предложена методика PM6‑ML – "+Δ‑ML"‑подход, который добавляет универсальную машинно‑обученную поправку к полуклассическому квантово‑механическому методу PM6. Разработчики показали, что такая схема сочетает физическую обоснованность и стабильность semiempirical‑метода с точностью современных ML‑потенциалов, причём охватывает более широкий химический простор, чем многие чисто ML‑подходы.

Важный практический результат – масштабируемость до систем с тысячами атомов и интерфейс с программой MOPAC, что делает метод доступным для биомолекулярного моделирования и прикладных задач. На фоне дефицита «рабочих лошадок» между классической механикой и точной квантовой химией такие гибридные методы могут стать стандартом для рутинных расчётов больших молекул.

Сообщается о разработке вычислительного подхода, который ускоряет высокоточный скрининг молекул и материалов и нацелен на задачи, где критична «химическая точность». Авторы ожидают, что метод позволит надёжно анализировать крупные молекулы с десятками тысяч атомов и, соответственно, проектировать новые полимеры, материалы для электроники и батарей.

Параллельно крупные вычислительные центры отчитались о достижениях на экзафлопсных суперкомпьютерах: в обзоре Argonne Leadership Computing Facility за 2025 год описаны многошкальные симуляции свет‑материальных взаимодействий, где физические методы объединялись с foundation‑моделями типа Allegro‑FM для ускорения атомистических предсказаний. Такие работы демонстрируют, как симбиоз ИИ и экзафлопсных ресурсов позволяет моделировать системы с триллионами атомов, что ещё недавно считалось невозможным.

Моделирование материалов и катализа с помощью ИИ

В 2025 году в журнале Nature Computational Materials была опубликована работа, описывающая комбинированный подход к поиску материалов для солнечного термохимического получения водорода. В ней машинное обучение, квантовая химия, лабораторные эксперименты и системные симуляции использовались в едином контуре, чтобы отбирать и оптимизировать варианты.

Авторы показали, что ML‑модели позволяют сузить пространство поиска и направить более дорогие квантово‑химические и экспериментальные исследования на наиболее перспективные структуры. Такой «замкнутый цикл» моделирования и эксперимента иллюстрирует общее направление развития материаловедения: ИИ выступает навигатором по гигантскому пространству возможных соединений.

Отдельный обзор в 2025 году был посвящён развитию машинного обучения для гетерогенного катализа, где подчёркивалось объединение экспериментальных данных и результатов моделирования поверхностей и адсорбции. Авторы обсуждают, как ML‑модели помогают прогнозировать активность и селективность каталитических систем, оптимизировать состав и структуру поверхности, а также интерпретировать сложные спектроскопические данные.

Совокупность таких работ показывает, что моделирование катализаторов перестаёт быть нишевой задачей вычислительной химии и превращается в основу рационального каталитического дизайна, тесно связанного с большими данными и ИИ.

В 2025 году вышел обзор по интеграции представлений материалов в инженерии признаков для машинного обучения по кристаллическим структурам. В нём систематизированы способы кодирования кристаллических решёток, сочетания геометрической и химической информации, а также их пригодность для различных алгоритмов – от кернель‑методов до глубоких нейросетей.

Авторы вводят модель признаков center‑environment (CE), в которой локальная химическая и структурная информация объединяется в многомерное описание окружения атома. Такой анализ облегчает выбор признакового описания при построении предсказательных моделей свойств материалов и подчёркивает, насколько глубоко математическое моделирование структуры входит в практику ML в материаловедении.

В ещё одной работе 2025 года предложен многоуровневый вычислительный каркас, связывающий состав сплава с эволюцией микроструктуры на основе машинного обучения и наноразмерного анализа. Подобные схемы позволяют предсказывать макроскопические свойства (прочность, устойчивость к коррозии и т.п.) из первых принципов, опираясь на комбинацию физики и статистического обучения.

Такие подходы особенно важны для разработки новых сплавов для энергетики и транспорта, где требуется одновременно учитывать сложный фазовый состав, диффузионные процессы и эксплуатационные нагрузки – задачи, традиционно считавшиеся слишком тяжёлыми для прямого моделирования.

Моделирование в разработке лекарств и прецизионной медицине

В 2025 году опубликован обзор, посвящённый интеграции высокопроизводительного скрининга и вычислительных стратегий (включая ИИ и машинное обучение) в прецизионной онкологии. В нём описано, как in silico‑модели помогают предсказывать эффективность лекарств, подбирать комбинации терапии и идентифицировать биомаркеры, что сокращает сроки и стоимость разработки.

Отдельная статья рассматривает перспективы AI/ML‑методологий в создании новых химических сущностей для лекарств, анализируя отличие современных ML‑подходов к предсказанию свойств, поиску «хитов» и дизайну лигандов от классических методов хемоинформатики. Авторы обсуждают, смогут ли новые ML‑методы действительно расширить химическое разнообразие кандидатов и повысить эффективность поиска молекул с нужными профилями.

Психиатрия, нейропластичность и ИИ

В области психофармакологии внимание привлекла работа об интегрированных достижениях в исследовании нейропластичности, психоделических препаратов и ИИ‑платформ для прецизионной медицины. В ней подчёркивается, что AI‑движки используются не только для подбора доз и комбинаций, но и для проектирования новых триптаминоподобных молекул и модификаторов нейропластичности.

Это иллюстрирует, как методы молекулярного моделирования, ранее сосредоточенные на более «классических» мишенях, постепенно выходят на сложные системы центральной нервной системы, где важны нелинейные эффекты и тонкая настройка взаимодействий с рецепторами.

Вернувшись к вычислительной стороне, новости MIT о новом подходе в вычислительной химии подчёркивают, что высокоточный скрининг больших молекул становится практически реализуемым. Такая технология открывает путь к систематическому перебору библиотек сложных лекарственных кандидатов и функциональных материалов без необходимости проводить для каждого объекта ресурсоёмкие DFT‑ или пост‑HF‑расчёты.

Обобщающие материалы по ИИ‑прорывам в науке в 2025 году также выделяют область лекарственного дизайна и молекулярной науки как одну из ключевых, где ИИ реально сократил сроки исследований и расширил пространство возможных решений.

Квантовые вычисления и гибридные квантово‑классические схемы

Важной вехой 2025 года стала демонстрация компанией Quantinuum первого масштабируемого, сквозного рабочего процесса для квантово‑химического моделирования с использованием квантовой коррекции ошибок. В этой работе реализована комбинация оценки квантовой фазы (QPE) с логическими кубитами для расчёта молекулярных энергий, что рассматривается как ключевой шаг к практической квантовой выгоде в химии.

Авторы подчёркивают, что им удалось реализовать полный цикл – от постановки химической задачи до получения энергии с учётом коррекции ошибок – на реальном квантовом процессоре H2 в составе промышленной платформы InQuanto. Это показывает не только принципиальную реализуемость таких расчётов, но и их интегрируемость в существующие программно‑аппаратные стеки.

В статье в Science Advances описан подход «квантово‑центрического суперкомпьютинга», при котором квантовый процессор используется совместно с классическим суперкомпьютером для решения электронно‑структурных задач, выходящих за масштаб точной диагонализации. На сверхпроизводительном процессоре Heron и суперкомпьютере Fugaku были смоделированы, в частности, диссоциация N₂ и кластеры [2Fe–2S] и [4Fe–4S] с использованием квантовых схем до 77 кубитов и более 10 тысяч квантовых вентилей.

Предложенный алгоритм обрабатывает квантовые выборки для получения верхних оценок энергии основного состояния и разрежённых приближений волновых функций. Работа демонстрирует, что гибридная архитектура «квантовый процессор плюс суперкомпьютер» уже сейчас позволяет решать нетривиальные химические задачи, ранее недоступные даже для продвинутых классических методов.

Нобелевская премия по химии 2025 и роль моделирования

Нобелевскую премию по химии 2025 года получили Ричард Робсон, Сусуму Китагава и Омар Яги «за открытие металлоорганических каркасных структур» (metal-organic frameworks, MOF). Эти пористые материалы, состоящие из металлических узлов и органических лигандов, могут конструироваться как «молекулярный конструктор Lego» с тонкой настройкой размера пор и химической функциональности.

MOF уже применяются для захвата воды и CO₂ из воздуха, а также рассматриваются для газоразделения, катализа, хранения водорода, сенсоров и доставки лекарств. Хотя Нобелевская формулировка акцентирует синтетические достижения, моделирование играет ключевую роль в прогнозе свойств и проектировании новых каркасов.

Материалы Chimie ParisTech-PSL подчёркивают, что в рамках международного проекта SMOLAB между Парижем и Киото ведутся обширные исследования МОF с использованием молекулярного моделирования. Исследователи применяют крупномасштабные расчёты для изучения адсорбции газов, механических свойств и поведения каркасов в реальных условиях эксплуатации.

Таким образом, даже «классическая» синтетическая химия, удостоенная Нобелевской премии, оказывается тесно связана с вычислительными методами и моделированием, которые помогают выбирать перспективные структуры ещё до синтеза и интерпретировать экспериментальные данные.

Общие тренды и выводы

По совокупности событий 2025 года можно выделить несколько ключевых трендов в моделировании в химии:

В совокупности эти тенденции показывают, что моделирование в химии всё меньше выступает вспомогательным инструментом и всё больше становится центральным элементом научного и технологического процесса – от постановки задач до внедрения результатов в промышленность и медицину.