❋ 4.8
Ученые усовершенствовали инструмент для моделирования химических реакций и предсказания свойств молекул, который использует нейросети для тонкой подстройки параметров. В отличие от полностью нейросетевых подходов, новый алгоритм не нарушает фундаментальные законы физики и снижает ошибку в расчетах энергии химических реакций почти на 26%. Благодаря этому он позволяет точнее описывать поведение электронов в сложных химических системах, что необходимо для предсказания их свойств, например при разработке новых лекарств, катализаторов и материалов.
РНФ
# молекулы
# нейросети
# физика
# химия
NN-PBE — нейросетевой метод на основе классической модели PBE, который объединяет физическую надежность и гибкость машинного обучения для более точных расчетов свойств молекул / © Schneider et al. / Journal of Chemical Theory and Computation, 2026
Теория функционала плотности — главный рабочий инструмент современной вычислительной химии, который позволяет понять, как электроны распределены в пространстве вокруг ядер молекулы. Зная это распределение (электронную плотность), можно вычислить энергию молекулы, ее форму, прочность связей, ее физические свойства, и то, как она будет реагировать с другими веществами. Однако точный функционал плотности — единая математическая формула, которая должна работать для любой молекулы или атома, — до сих пор неизвестен, поэтому химики используют сотни разных моделей, каждая из которых имеет свои сильные и слабые стороны.
