КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер проекта 22-73-10124-П
НазваниеУсовершенствование надёжности методов моделирования химических реакций
Руководитель Медведев Михаил Геннадьевич, Кандидат физико-математических наук
Организация финансирования, регион Федеральное государственное бюджетное учреждение науки Институт органической химии им. Н.Д. Зелинского Российской академии наук , г Москва
Конкурс №5071 - Конкурс на продление сроков выполнения проектов, поддержанных грантами Российского научного фонда по мероприятию «Проведение исследований научными группами под руководством молодых ученых»
Область знания, основной код классификатора 03 - Химия и науки о материалах; 03-501 - Квантовая химия, математические методы в химии
Код ГРНТИ31.21.18
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
Всё чаще исследования в области химии включают использование методов теоретической или вычислительной химии, которые заменяют дорогостоящие и длительные эксперименты дешёвыми расчётами и без которых, зачастую, невозможно установить механизмы и движущую силу химических процессов.
При поддержке квантовохимического моделирования было решено множество задач, таких как установка механизмов и ключевых электронных эффектов химических процессов, выбор оптимальных реагентов и катализаторов, поиск перспективных биологически активных соединений и установления природы наблюдаемых эффектов. Однако, регулярно возникающие новые задачи в химии и смежных науках требуют увеличения точности существующих инструментов и, в ряде случаев, разработки принципиально новых инструментов для их решения.
В рамках Проекта 2025 мы планируем продолжить работу над обоими ключевыми направлениями, которые мы разрабатывали в рамках Проекта 2022:
1. Разработка надёжных методов конформационного поиска для сложных химических систем и переходных состояний, в том числе с использованием методов машинного обучения (Гауссовы процессы).
2. Разработка новых методов теории функционала плотности, в том числе, на основе нейронных сетей.
Решаемые в рамках данного проекта задачи нацелены на создание пригодных к практическому использованию инструментов, которые позволят сделать результаты квантовохимического моделирования более точными и надёжными, что в свою очередь позволит применять методы вычислительной химии для решения более широкого круга фундаментальных и прикладных задач.
Ожидаемые результаты
В рамках данного проекта нами будут:
1. Усовершенствован единый метод конформационного поиска для сложных химических систем и переходных состояний (ПС). В частности, будет усовершенствован этап локализации ПС (пункт а). В рамках данного направления планируется получить следующие результаты:
a) Создан универсальный метод локализации переходных состояний и их оптимизации, использующий априорную информацию об изменяющихся в ходе реакции степенях свободы (межатомных расстояниях, валентных и торсионных углах) для направленного автоматического поиска путей реакции.
b) Метод систематического конформационного поиска с использованием инверсной кинематики распространён на молекулы с малыми циклами (3-6 членными) и, таким образом, может использоваться для конформационного поиска любых органических молекул.
c) Реализован метод Байесовской оптимизации для аугментации конформационных ансамблей циклических молекул с использованием физического информирования Гауссовских процессов об условии замыкания цикла.
d) Существующие методы активного обучения для проведения молекулярной динамики протестированы на предмет эффективности пересчёта энергий конформеров из низкого в высокий уровень теории на основании минимального количества квантовохимических расчётов.
2. Разработаны новые подходы к созданию методов теории функционала плотности, для чего будут:
a) Проведено тестирование различных функционалов DFT на умозрительных электронных плотностях и выявлен минимальный набор ингредиентов электронной плотности, необходимый для различения электронных плотностей, имеющих разные обменные энергии.
b) Проведена оценка точности воспроизведения энергий и спиновых плотностей различных спиновых состояний неинноцентных комплексов железа, отличающихся от представленных в стандартных обучающих наборах, различными функционалами DFT, включая разработанные нами в рамках Проекта 2022 (piM06-2X, piM06-2X-DL и PBE-2X).
c) Продолжены разработка и тестирование нейросетевого функционала NN-PBE. Итоговый функционал имплементирован в PySCF.
d) Разработан и протестирован новый нейросетевой функционал, использующий механизм внимания (Attention) для достижения нелокальности обменно-корреляционной энергии.
Все предполагаемые результаты находятся на переднем крае современной мировой науки. Решаемые в рамках данного проекта задачи являются насущными для квантовой химии, поэтому разработанные методы и полученные результаты будут широко востребованы в научном сообществе. Они позволят исследователям получать более точные результаты при моделировании химических реакций, а значит помогут и развитию химии в целом, в которой предварительное моделирование играет всё большую роль.
Созданные в рамках данного проекта методы и подходы упростят разработку новых поколений промышленных катализаторов и лекарственных препаратов, что, несомненно, будет иметь положительный экономический эффект.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Аннотация результатов, полученных в 2026 году
1. Разработан GRASS – новый универсальный метод поиска переходных состояний химических реакций, использующий информацию о том, какие связи и углы меняются в ходе реакции, и не требующий расчёта частот (Гессиана). На тестах GRASS нашёл переходные состояния в 92% случаев, превзойдя популярные методы P-RFO и dimer. Локализация переходных состояний необходима для предсказания, пойдёт ли реакция, с какой скоростью и какие побочные процессы возможны, снижая объём требуемой экспериментальной работы.
2. Создан универсальный алгоритм глобального поиска конформаций молекул, использующий обратную кинематику для макроциклов и ETKDGv3 (тот же алгоритм, что и в RDKit) для малых циклов. Так как физические и химические свойства молекулы в первую очередь определяются её низкоэнергетическими конформациями, их нахождение является ключевой стадией квантовохимического моделирования любой реалистичной химической системы.
3. Показано, что разработанные ранее в рамках Проекта методы DFT (piM06-2X, piM06-2X-DL и PBE-2X) описывают спиновые состояния и локализацию неспаренного электрона в неинноцентных комплексах железа сопоставимо с известными методами DFT, такими как PBE0 и r2SCAN.
4. Показано, что обменные части всех функционалов GGA (например, PBE, BLYP) и τ-зависимых мета-GGA (например, TPSS, r2SCAN, M06-L) имеют одинаковую «слепую зону» в отношении двухэлектронных плотностей с постоянным приведённым градиентом. Перечисленные мета-GGA функционалы широко используются в моделировании материалов и молекул, часто считаясь лучшим выбором по соотношению вычислительной сложности и точности. Сохранение «слепого пятна» говорит о недостатке информации, получаемой функционалом через ингредиенты, таким образом, выявляя фундаментальную проблему построения функционалов. Решением проблемы является включение зависимости от ранее недоиспользованных ингредиентов электронной плотности – например, Лапласиана электронной плотности –, что облегчается с созданием нейросетевых функционалов. Результаты опубликованы в Journal of Chemical Theory and Computation [https://doi.org/10.1021/acs.jctc.5c01926], пресс-релиз: https://www.kommersant.ru/doc/8586260
5. Разработан нейросетевой функционал DFT NN-PBE-D3(BJ), они встроен в PySCF, работает в самосогласованном режиме и поддерживает аналитические градиенты. Тесты показали, что учет строгих физических ограничений в архитектуре функционала повышает точность расчетов почти на 30% по сравнению с PBE-D3(BJ), сохраняя корректную электронную плотность и стабильную сходимость. Таким образом, показано, что за счёт качественного физического информирования можно создавать надёжные нейросетевые функционалы DFT несмотря на ограниченность высокоуровневых данных для обучения. Результаты опубликованы в Journal of Chemical Theory and Computation [https://doi.org/10.1021/acs.jctc.6c00270].
6. Описанное в п.5 обучение NN-PBE усовершенствовано путём включения Лапласиана электронной плотности в качестве дополнительного дескриптора, устраняющего «слепую зону» GGA и классических meta-GGA функционалов (см. п.4). Также добавлено обучение на точных обменно-корреляционных энергиях и потенциалах, полученных обращением уравнений Кона-Шэма. В результате создан новый функционал – NN-PBE-L –, точнее воспроизводящий обменно-корреляционные потенциалы и энергии: в 15 раз лучше NN-PBE и в 90 раз лучше PBE.
7. Разработан основанный на сочетании экспериментальных и расчетных компонентов энергии Гиббса метод расчёта термодинамических параметров химических реакций, в которых растворитель выступает в качестве реагента или продукта. На реакциях лигандного обмена показано, что данный метод имеет на 1-2 ккал/моль более низкую ошибку на 1 молекулу растворителя, чем традиционные подходы, опирающиеся на приближение идеального газа. Результаты опубликованы в Journal of Chemical Theory and Computation [https://doi.org/10.1021/acs.jctc.6c00136].
Публикации
1.
Елисеев Е.А., Вельмискина Ю.А., Кривощапов Н.В., Малышев В.И., Медеведев М.Г.
Free Energy of a Solvent Molecule: Conventional Ideal Gas Approximation versus Experimental Thermodynamics Data
Journal of Chemical Theory and Computation, Eliseev E.A., Velmiskina J.A., Krivoshchapov N.V., Malyshev V.I., Medvedev M.G. Free Energy of a Solvent Molecule: Conventional Ideal Gas Approximation versus Experimental Thermodynamics Data // Journal of Chemical Theory and Computation. – 2026. – Vol. 22, № 8. – P. 4094–4102. – DOI: 10.1021/acs.jctc.6c00136. (год публикации - 2026)
10.1021/acs.jctc.6c00136
2.
Леонов А.В., Епифанов Е.Ю., Герасимов И.С., Лосев Т.В., Медведев М.Г.
The Potential Blind Spot of the τ-Dependent Exchange Density Functional Approximations
Journal of Chemical Theory and Computation, Leonov A.V., Epifanov E.Y., Gerasimov I.S., Losev T.V., Medvedev M.G. The Potential Blind Spot of the τ-Dependent Exchange Density Functional Approximations // Journal of Chemical Theory and Computation. – 2026. – Vol. 22, № 5. – P. 2261–2266. – DOI: 10.1021/acs.jctc.5c01926. (год публикации - 2026)
10.1021/acs.jctc.5c01926
3.
Шнайдер М.Ю., Зарипов Д.У., Докин Р.Ю., Рябов А.А., Лосев Т.В., Медведев М.Г.
Incorporating Scientific Knowledge into Neural Network Density Functionals
Journal of Chemical Theory and Computation, Schneider M.Yu., Zaripov D.U., Dokin R.Yu., Ryabov A.A., Losev T.V., Medvedev M.G. Incorporating Scientific Knowledge into Neural Network Density Functionals // Journal of Chemical Theory and Computation. – 2026. – Vol. 22, № 9. – P. 4405–4414. – DOI: 10.1021/acs.jctc.6c00270. (год публикации - 2026)
10.1021/acs.jctc.6c00270