Обсуждение результатов: Ты в миниатюре повторил то, что делают большие химические нейросети: классификацию молекул. Ты увидишь, где модель ошибается, и задумаешься, почему. Качество и разнообразие данных решают всё — это главный урок проекта.
Примечание: Если хочешь усложнить эксперимент, добавь третий класс — «Кетоны» — и проверь, насколько модель способна различать изомерные функциональные группы.
Проект № 2: Ретросинтез-дуэль
Цель: Сравнить предсказания двух ретросинтетических систем и выбрать оптимальный маршрут синтеза.
Оборудование: IBM RXN, ASKCOS, любой текстовый редактор для записей.
Методика:
Нарисуй в обеих системах одну и ту же молекулу — например, аспирин или ибупрофен. Запусти предсказание ретросинтеза.
Для каждого маршрута выпиши: количество стадий, наличие опасных реагентов (концентрированные кислоты, цианиды), примерную доступность исходных веществ, максимальную температуру.
Сравни маршруты. Где системы сошлись во мнении? Где разошлись? Какой маршрут ты выберешь, если у тебя в лаборатории нет вытяжного шкафа и доступа к дорогим катализаторам?
Обсуждение результатов: Два независимых «свидетеля» надёжнее одного. Это тренировка детективного мышления. Заодно ты вживую видишь, как работают поиск по дереву (MCTS) и трансформеры.
Проект № 3: Предскажи растворимость
Цель: Построить модель машинного обучения, предсказывающую растворимость органических молекул в воде.
Оборудование: Python 3.x, библиотеки rdkit, scikit-learn, pandas, matplotlib. Датасет ESOL (Delaney solubility dataset) — находится в открытом доступе.
Методика:
Загрузи датасет ESOL: более тысячи молекул в формате SMILES и их экспериментальная растворимость (log S).
С помощью RDKit переведи каждую молекулу в молекулярный фингерпринт (вектор из нулей и единиц, кодирующий наличие определённых фрагментов). Фактически ты превращаешь молекулу в точку в многомерном пространстве.
Раздели данные на обучающую и тестовую выборки (например, 80/20).
Обучи модель Random Forest на обучающей выборке. Проверь качество на тестовой: посчитай R2 и среднюю абсолютную ошибку.
Выбери любую молекулу из тестовой выборки, сравни предсказанную растворимость с экспериментальной. Попробуй объяснить расхождение: может, модель плохо предсказывает молекулы с нитрогруппами?
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.