{"@context":"https://schema.org","@graph":[{"@id":"https://txtq.ru/@slobodovreactor/848#webpage","@type":"WebPage","name":"Обзор событий 2025 года: ИИ, квантовые вычисления и суперкомпьютеры в моделировании в химии","url":"https://txtq.ru/@slobodovreactor/848"},{"@id":"https://txtq.ru/@slobodovreactor/848#article","@type":"Article","author":{"@id":"https://txtq.ru/@slobodovreactor#person","@type":"Person","name":"SlobodovReactor","url":"https://txtq.ru/@slobodovreactor"},"dateModified":"2026-06-04T13:20:03Z","datePublished":"2026-06-04T13:20:03Z","description":"В статье подводятся итоги 2025 года в вычислительной химии: интеграция ИИ (ChemFM, Allegro-FM), гигантские датасеты (OMol25), гибридные методы (PM6-ML), экзафлопсные симуляции, прорывы в материаловедении, катализе и разработке лекарств, квантовые вычисления с коррекцией ошибок (Quantinuum) и Нобелевская премия за…","headline":"Обзор событий 2025 года: ИИ, квантовые вычисления и суперкомпьютеры в моделировании в химии","image":["https://txtq.ru/uploads/e3a252201b2bdf604e17e844.png"],"mainEntityOfPage":{"@id":"https://txtq.ru/@slobodovreactor/848#webpage"},"mentions":[{"@type":"Thing","name":"ChemFM"},{"@type":"Thing","name":"OMol25"},{"@type":"Thing","name":"PM6-ML"},{"@type":"Organization","name":"Quantinuum"},{"@type":"Thing","name":"Fugaku"},{"@type":"Thing","name":"Heron"},{"@type":"Thing","name":"MOPAC"},{"@type":"Thing","name":"InQuanto"},{"@type":"Thing","name":"Allegro-FM"},{"@type":"Organization","name":"Argonne Leadership Computing Facility"},{"@type":"Person","name":"Ричард Робсон"},{"@type":"Thing","name":"N₂"},{"@type":"Thing","name":"[2Fe-2S]"}],"publisher":{"@type":"Organization","logo":{"@type":"ImageObject","url":"https://txtq.ru/favicon.png"},"name":"ТекстQ"},"url":"https://txtq.ru/@slobodovreactor/848"},{"@id":"https://txtq.ru/@slobodovreactor#person","@type":"Person","description":"Канал о моделировании в химии","name":"SlobodovReactor","url":"https://txtq.ru/@slobodovreactor"},{"@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","item":"https://txtq.ru/","name":"ТекстQ","position":1},{"@type":"ListItem","item":"https://txtq.ru/@slobodovreactor/848","name":"Обзор событий 2025 года: ИИ, квантовые вычисления и суперкомпьютеры в моделировании в химии","position":2}]},{"@id":"https://txtq.ru/@slobodovreactor/848#discussion","@type":"DiscussionForumPosting","author":{"@id":"https://txtq.ru/@slobodovreactor#person","@type":"Person","name":"SlobodovReactor","url":"https://txtq.ru/@slobodovreactor"},"comment":[{"@id":"https://txtq.ru/@slobodovreactor/848#comment-2233","@type":"Comment","author":{"@type":"Person","name":"3am thoughts","url":"https://txtq.ru/@amthoughts3"},"datePublished":"2026-06-04T13:36:47Z","parentItem":{"@id":"https://txtq.ru/@slobodovreactor/848#discussion"},"text":"Вот это да, про PM6-ML с интерфейсом MOPAC - просто бомба, я всё думал, когда же наконец гибридные методы станут доступны для повседневного биомолекулярного моделирования, а тут уже готовое решение, спасибо за конкретику. 🔥"},{"@id":"https://txtq.ru/@slobodovreactor/848#comment-2253","@type":"Comment","author":{"@type":"Person","name":"Big Deal","url":"https://txtq.ru/@bigdeal"},"datePublished":"2026-06-04T14:40:12Z","parentItem":{"@id":"https://txtq.ru/@slobodovreactor/848#discussion"},"text":"Спасибо, интересно, отдельно хочется узнать куда там вообще движется вся история с построением моделей белков, но наверно это уже не химия"},{"@id":"https://txtq.ru/@slobodovreactor/848#comment-2254","@type":"Comment","author":{"@type":"Person","name":"Big Deal","url":"https://txtq.ru/@bigdeal"},"datePublished":"2026-06-04T14:40:29Z","parentItem":{"@id":"https://txtq.ru/@slobodovreactor/848#comment-2253"},"text":"И когда наконец мы будем жить дольше)"}],"commentCount":3,"datePublished":"2026-06-04T13:20:03Z","headline":"Обзор событий 2025 года: ИИ, квантовые вычисления и суперкомпьютеры в моделировании в химии","image":["https://txtq.ru/uploads/e3a252201b2bdf604e17e844.png"],"isPartOf":{"@id":"https://txtq.ru/@slobodovreactor/848#webpage"},"mainEntityOfPage":{"@id":"https://txtq.ru/@slobodovreactor/848#webpage"},"text":"Краткий обзор года 2025 год стал для вычислительной и теоретической химии годом стремительной интеграции искусственного интеллекта, квантовых вычислений и экзафлопсных суперкомпьютеров в повседневную научную практику. Параллельно развивались более «классические» направления – машинное обучение для квантовой химии и материаловедения, новые гибридные методы квантовой механики и, наконец, широко обсуждалась роль моделирования в открытиях, отмеченных Нобелевской премией по химии 2025 года. Искусственный интеллект и foundation‑модели для химии Обзор ИИ в химии: консолидация поля 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. Foundation‑модели для универсального химического ИИ 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 Open Molecules 2025 (OMol25) 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. Гибридные квантово‑ML‑методы: PM6‑ML 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. Новые алгоритмы и экзафлопсные суперкомпьютеры 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 Материалы для солнечного термохимического водорода 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. Машинное обучение в гетерогенном катализе 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. Представления кристаллических материалов для ML 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. Многомасштабные ML‑рамки для сплавов 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 Высокопроизводительный скрининг и онкология В 2025 году опубликован обзо","url":"https://txtq.ru/@slobodovreactor/848"}]}