Экспериментальное изучение разделения редкоземельных элементов и актинидов сильно ограничено из-за их схожих химических свойств и, в случае актинидов, радиоактивности, что делает поиск эффективных лигандов дорогим, длительным и опасным процессом. Химики и математики МГУ разработали новую модель машинного обучения, которая позволяет прогнозировать стабильность комплексов f-элементов без необходимости проводить дорогостоящие эксперименты. «Значительно упростить процесс выбора лигандов для синтеза и дальнейшего изучения можно, используя машинное обучение», — пояснил заведующий лабораторией интеллектуального химического дизайна химического факультета МГУ Артем Митрофанов.
Как сообщает пресс-служба МГУ, сотрудники межкафедральной лаборатории интеллектуального химического дизайна химического факультета совместно с коллегами с механико-математического факультета разработали новую модель машинного обучения для оценки стабильности комплексов редкоземельных элементов и трёхвалентных актинидов. Работа опубликована в высокорейтинговом The Journal of Chemical Physics при поддержке Министерства экономического развития Российской Федерации.
Какая проблема стоит перед химиками
Лантаноиды вместе со скандием и иттрием объединяют в группу редкоземельных элементов. Их используют при создании постоянных магнитов, батарей, электроники, лазеров. Однако в природе они не встречаются в чистом виде, а входят в состав минерального сырья в микроколичествах, и их близкие химические свойства делают переработку и выделение чистых металлов крайне сложной задачей.
Актиноиды, радиоактивные элементы, активно используются в ядерной промышленности. Их эффективное выделение из отработанного ядерного топлива — путь к замкнутому ядерному циклу и снижению количества радиоактивных отходов. Один из передовых подходов к разделению как редкоземельных элементов, так и актинидов — использование специально спроектированных органических лигандов, которые должны селективно связываться с конкретными элементами.
Как работает новая модель
Ранее научная группа МГУ уже разработала набор моделей для оценки свойств комплексов лантаноидов, но их основным недостатком было использование информации только о структуре лигандов, что сильно ограничивало выборку данных. В новом исследовании авторы кардинально изменили подход.
Они создали новую нейросетевую архитектуру, позволяющую объединить всю доступную информацию о комплексообразовании различных металлов в одной модели. Авторы собрали базу комплексообразующих агентов f-элементов, используя данные из библиотеки NIST46 и соответствующих научных публикаций. На её основе они обучили графовую свёрточную нейронную сеть. Она прогнозирует константу устойчивости комплекса и значительно расширяет список элементов, для которых эту константу можно рассчитать с помощью быстрых моделей машинного обучения.
Ключевое отличие новой модели — для её использования металл не обязательно должен входить в обучающую выборку. Исходный код авторы опубликовали в свободном доступе.
Каковы результаты и перспективы
Как отметил Артем Митрофанов, разработанная модель показала превосходные результаты по сравнению с существующими аналогами. Она успешно прогнозирует свойства актинидов — группы, работа по которой сложна из-за недостатка экспериментальных данных. Исследование сосредоточено на комплексах со стехиометрическим составом 1:1. В будущем планируется затронуть и другие типы комплексов.
Важным направлением остаётся совместная работа с химиками-синтетиками. Модель позволит упростить поиск более эффективных и селективных лигандов, например для переработки отработанного ядерного топлива.
Коротко: главное о разработке учёных МГУ
Учёные химического и механико-математического факультетов МГУ создали нейросетевую модель для прогнозирования стабильности комплексов редкоземельных элементов и актинидов. Модель основана на графовой свёрточной нейронной сети и позволяет работать даже с металлами, которых не было в обучающей выборке. Ранее существовавшие модели использовали информацию только о структуре лигандов, что ограничивало их применение. Новая модель уже показала превосходные результаты, особенно для актинидов, где экспериментальных данных крайне мало. Исходный код опубликован в открытом доступе, а в перспективе модель поможет создавать более эффективные лиганды для переработки ядерного топлива.
Резюме
-
Учёные МГУ разработали модель машинного обучения для прогнозирования стабильности комплексов f-элементов.
-
Модель основана на графовой свёрточной нейронной сети, обученной на базе данных NIST46 и научных публикаций.
-
Ключевое преимущество — возможность прогнозировать свойства металлов, не входящих в обучающую выборку.
-
Модель уже показала высокие результаты для актинидов, работа с которыми ограничена из-за радиоактивности.
-
Исходный код опубликован в открытом доступе, модель поможет в поиске лигандов для переработки ядерного топлива.
Материал подготовлен изданием «Техносуверен» (technosuveren.ru).
Дата публикации: 19 августа 2026 года.
