Обсуждение результатов: Ты только что построил предсказательную модель, основанную на тех же принципах, что и промышленные системы. Пусть она примитивная и ошибается — ты прошёл весь путь учёного-вычислителя: от сырых данных до работающего прогноза.

Примечание: Если Random Forest покажется слишком простым, попробуй градиентный бустинг (xgboost) или простую нейронную сеть. Принцип останется тем же, меняется только архитектура.

Заключение. Взгляд из вытяжного шкафа в 2075 год

Ты заходишь в лабораторию через пятьдесят лет, и первое, что бросается в глаза, — тишина. Не гудят вытяжные шкафы, не стучат магнитные мешалки, не звенит стекло. Вместо привычных колб и штативов — герметичные боксы, внутри которых бесшумно движутся манипуляторы. Вдоль стен — стойки с процессорами, которые сегодня мы назвали бы квантовыми, а тогда будут называть просто «вычислителями». И только в углу, как музейный экспонат, стоит старый вытяжной шкаф с потрескавшейся эмалью и табличкой: «Здесь всё начиналось. 1990 год».

В XX веке компьютер был необязательной игрушкой для рисования формул и поиска статей. Потом игрушка подросла, превратилась в оркестр из нейросетей, роботов и облачных сервисов. Мы учились дирижировать этим оркестром на протяжении всей книги: от первых робких шагов с ChemDraw до автономных лабораторий, от DFT-расчётов до диффузионных генераторов материалов. Раньше искусство эксперимента заключалось в том, чтобы вырастить идеальный кристалл. Теперь — в том, как сформулировать запрос к ИИ так, чтобы он выдал не сто бессмысленных вариантов, а три рабочих. Инструменты меняются, суть остаётся.

Но давай переместимся в 2075 год и посмотрим на технологии, брезжащие на горизонте. Квантовые компьютеры в 2026 году — как нейросети в 1990-х: многообещающие, но сырые. Они требуют экстремального охлаждения и совершают ошибки. Но через полвека именно квантовые вычисления могут стать тем мотором, который потянет задачи, недоступные нынешним трансформерам и графовым сетям. Что это будут за задачи? Точное моделирование каталитических циклов с участием переходных металлов? Предсказание фолдинга белков не по статистическим закономерностям, а из первых принципов физики? Дизайн сверхпроводников при комнатной температуре? Сегодняшние нейросети хорошо решают задачи класса «найти похожее среди известного», но они пасуют, когда нужно просчитать что-то принципиально новое. Возможно, квантовый компьютер справится с этим лучше. И тогда тандем «человек + ИИ» превратится в триумвират «человек + ИИ + квантовый вычислитель» — новый оркестр, ещё более сложный и мощный.

Сегодня мы находимся на уровнях 3–4 автономности лабораторий: роботы синтезируют по плану, сгенерированному ИИ, но человек всё ещё в контуре. В 2075 году могут существовать лаборатории уровня 5 — полностью автономные. Они будут сами заказывать реагенты, чинить себя, публиковать статьи и формулировать гипотезы. Означает ли это, что химик станет лишним? Вряд ли, ведь кто-то же должен решать, какую задачу поставить лаборатории. Кто-то должен интерпретировать результаты для человечества, объяснять, почему открытие важно, и следить, чтобы оно не было использовано во вред. Химик станет не лаборантом и даже не детективом, а философом материи. Тем, кто задаёт вопросы о сути веществ и превращений. Тем, кто держит в голове картину мира и понимает, куда в этой картине вписать новый материал, новую реакцию, новую молекулу.

Эта книга началась со статьи 2000 года, где я оценивал роль компьютера в химии. Я и представить не мог, что через четверть века буду писать про нейросети, планирующие синтез, про роботов, открывающих новые реакции, и про диффузионные модели, лепящие кристаллы из шума. Через 25 лет кто-то прочтёт эту книгу и, возможно, напишет продолжение. Я не знаю, о чём оно будет, но одно знаю точно. Слова «искусство эксперимента» и «интуиция» не исчезнут. Они будут звучать в лабораториях 2075 года так же, как звучали в лабораториях алхимиков и звучат сегодня. Потому что химия — это не просто наука о веществах. Это искусство задавать вопросы природе. И пока люди не разучились удивляться, у этого искусства будет будущее.

А теперь — выключай ноутбук и иди в лабораторию. Твой оркестр ждёт дирижёра.

Попробуй сам

Напиши самому себе письмо в 2075 год. Каким тебе видится химик будущего? Чем он занимается, с кем спорит, какие задачи решает? Что осталось от твоих сегодняшних учебников и что бесследно исчезло?

Отправь это письмо себе на e-mail с отложенной доставкой или просто сохрани в запечатанном конверте с пометкой «Открыть через 10, 20 или 50 лет». Ну а если читаешь это в 2075 году — напиши мне. Адрес тот же: кафедра химии, где-нибудь на орбитальной станции. Расскажи, угадал ли я хоть что-то. И обязательно пришли фотографию вашего вытяжного шкафа. Мне очень интересно, как он выглядит.

Приложения

Приложение А. Словарик химика-кибернетика

В этой книге химический язык смешивается с IT-жаргоном. Чтобы не путаться, вот короткий глоссарий:

Нейросеть — программа, которая не выполняет жёсткую инструкцию, а учится на примерах.

Ретросинтез — метод планирования синтеза «от обратного»: ты смотришь на сложную молекулу и определяешь, из каких простых «кирпичиков» её можно собрать.

DFT (Теория функционала плотности) — квантово-химический метод, рассчитывающий свойства молекулы из первых принципов физики. Точен для маленьких молекул, но требователен к вычислительным ресурсам.

Mixture of Experts (MoE) — архитектура нейросети, где вместо одного универсального блока работают десятки специализированных подсетей (экспертов) внутри одной большой сети. Диспетчер (роутер) направляет каждую задачу тому субблоку, который разбирается в ней лучше всех.

Диффузионная модель — генеративный алгоритм, который «лепит» молекулу или кристалл из шума, шаг за шагом убирая неопределённость. Так работают Midjourney, MatterGen и ChefNMR.

Трансформер — архитектура нейросетей, изначально созданная для обработки текстов, а теперь применяемая для предсказания химических реакций и спектров. Для него молекула — как предложение, а атомы — как слова.

Self-driving lab (Самоуправляемая лаборатория) — роботизированный комплекс, который самостоятельно ставит эксперимент, анализирует результат и принимает решение о следующем шаге.

ИИ-агент — автономная программа на базе языковой модели, умеющая пользоваться внешними инструментами: искать в интернете, запускать расчёты, управлять роботом.

RAG (Retrieval-Augmented Generation) — технология, при которой языковая модель перед ответом находит нужные фрагменты документов в базе данных и формулирует ответ, опираясь на них и предоставляя точные ссылки.

ELN (Electronic Lab Notebook) — электронный лабораторный журнал, автоматизирующий сбор данных с приборов, структурирующий эксперименты и помогающий в подготовке отчётов.

Галлюцинация (ИИ) — правдоподобная, но ложная информация, сгенерированная нейросетью.

Скрытое пространство (Latent space) — многомерное математическое пространство, в котором нейросеть «хранит» представления о молекулах и их свойствах.

Граф (Graph) — математическое представление молекулы в виде узлов (атомов) и рёбер (связей). Графовые нейросети (GNN) обучаются, моделируя обмен информацией между атомами.

SMILES — способ записи структуры молекулы в виде текстовой строки. Например, вода — O, а аспирин — CC(=O)OC1=CC=CC=C1C(=O)O.

API (Application Programming Interface) — программный интерфейс, позволяющий сервисам и приложениям обмениваться данными.

Деплой (Deploy) — процесс развёртывания и запуска готовой модели в эксплуатацию.

Open Source — программное обеспечение с открытым исходным кодом.

Фингерпринт (Молекулярный отпечаток) — вектор из нулей и единиц, кодирующий наличие или отсутствие определённых структурных фрагментов в молекуле.

Function calling — механизм, позволяющий языковой модели вызывать внешние функции (например, калькулятор или базу данных) и использовать их ответы.

Байесовская оптимизация — вероятностный метод подбора параметров эксперимента, позволяющий найти оптимум за минимальное число шагов.

Приложение Б. Краткий гид по инструментам

Инструмент

Что делает

Где взять

Ретросинтез и реакции

IBM RXN

Планирует синтез, предсказывает продукты и исходные вещества.

rxn.res.ibm.com

ASKCOS

Находит пути синтеза, подбирает условия и оценивает стоимость.

askcos.mit.edu

DeepRetro

Фреймворк для ретросинтеза в диалоге с языковой моделью.

GitHub

MHNpath

Планирует синтез с настройкой приоритетов (цена, безопасность).

GitHub

Автономные лаборатории

AlphaFlow

Проточный робот-химик, оптимизирующий сложные синтезы.

Публикации и видео обзоры

A-Lab

Роботизированная лаборатория для синтеза неорганических материалов.

Материалы научных обзоров

RoboChem-Flex

Открытая платформа для сборки доступной авто-лаборатории.

Чертежи и код на GitHub

Спектры и структуры

IMPRESSION-G2

Предсказывает ЯМР-спектры существенно быстрее DFT.

Научные публикации / Демо

ChefNMR

Определяет структуру вещества по 1D ЯМР и брутто-формуле.

Научные статьи

nmrdb.org

Бесплатный онлайн-предиктор ЯМР-сдвигов.

nmrdb.org

Генерация материалов

GNoME

Предсказывает стабильность новых кристаллов.

Materials Project

MatterGen

Генерирует новые материалы «с нуля» под заданные свойства.

Публикация в Nature

Materials Project

Открытая база данных кристаллической структуры веществ.

materialsproject.org

Белки и биомолекулы

AlphaFold3

Предсказывает 3D-структуры белков и их комплексов.

alphafoldserver.com

RFdiffusion

Создаёт дизайн белков, не существующих в природе.

GitHub (Baker Lab)

Обучение, моделирование и поиск

MarvinSketch / Ketcher

Бесплатные редакторы формул для браузера.

chemaxon.com, EPAM Open Source

PhET Simulations

Интерактивные симуляции химических и физических процессов.

phet.colorado.edu

Teachable Machine

Конструктор классификаторов изображений без кода.

teachablemachine.withgoogle.com

Elicit / Consensus

Семантический поиск и суммаризация научных статей.

elicit.org, consensus.app

RDKit / scikit-learn

Библиотеки Python для хемоинформатики и ML.

Установка через pip

WebMO Demo

Онлайн-запуск простейших квантово-химических расчётов.

webmo.net/demo/