ЦЕНТР
ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА В ХИМИИ

Главная цель направления — разработка набора инструментов, использующих искусственный интеллект, data science и расчетные методы, позволяющих создавать молекулярные машины, такие как ферменты, для выполнения прикладных задач. Эти инструменты позволят лучше понять устройство молекулярных машин, что даст возможность сформировать систему, которую мы называем «Lego молекулярных машин». Эта система подразумевает поиск/создание отдельных и независимых функциональных единиц или модулей, а также способы их сборки в молекулярные машины «под ключ» с заранее заданным поведением и набором активностей.

В Центре фокусируются на двух ключевых направлениях в области фудтеха: применение ИИ для оптимизации процессов виноделия, включая генерацию купажей, предсказание ароматических характеристик вина и создание рекомендательной системы для выбора наилучших вариантов вин. Кроме того, мы также занимаемся использованием искусственного интеллекта для улучшения процессов пивоварения. Оба эти проекта направлены на создание цифровых сервисов, которые помогают как потребителям, так и производителям, оптимизируя производственные процессы и улучшая опыт выбора продуктов.

Наш Центр специализируется на передовых методах, использующих нейронные сети, машинное обучение и искусственный интеллект для предсказания свойств наноматериалов. Ученые разрабатывают модели и веб-платформы, способные прогнозировать клеточную токсичность, магнитные и каталитические свойства наночастиц, что имеет важное значение для разработки новых материалов с определенными функциональными характеристиками. Этот подход открывает новые перспективы в области химических исследований, ускоряя процессы синтеза и оптимизации применения полученных учеными соединений.

Основной идеей направления data-driven drug discovery является разработка новых безопасных и эффективных лекарств на основе данных об уже существующих лекарственных веществах. С помощью генеративного искусственного интеллекта создаются принципиально новые соединения, а предсказательные алгоритмы машинного обучения, натренированные на большом количестве экспериментальных и расчетных данных, отбирают среди них самых оптимальных кандидатов для дальнейшей разработки. Такой подход позволяет за короткие сроки проанализировать огромное количество молекул и выбрать те из них, которые понесут минимальные риски на стадиях доклинических и клинических испытаний.

Направление развивается в рамках новой специализации нашей образовательной программы. Проекты данной тематики будут включать использование ИИ и машинного обучения для оптимизации процессов поиска, извлечения, транспортировки и переработки нефтегазового сырья для достижения максимальной конверсии на каждом из этапов производственного цикла.