Новосибирск. 12 марта. ИНТЕРФАКС - Применение так называемых "бесследных" катализаторов может значительно ускорить исследования и разработки в создании новых материалов, фарминдустрии и других отраслях, считает академик РАН, завлабораторией металлокомплексных и наноразмерных катализаторов Института органической химии им.Н.Д.Зелинского (ИОХ РАН, Москва) Валентин Анаников.
"Ускорение разработок связано с тем, что это высокоактивные катализаторы, которых надо очень мало. Новое поколение катализаторов имеет большое значение, если нужно за короткое время синтезировать много соединений - данный тренд возник из проектов, связанных с разработкой новых материалов и лекарственных препаратов, где на начальных этапах нужно синтезировать десятки, сотни или тысячи веществ, проводить активный скрининг с обратной связью. В этом случае нерентабельно разрабатывать индивидуальные процедуры очистки для каждого из этих веществ", - сказал Анаников "Интерфаксу" на полях конференции "Малотоннажная химия: разработки, производство, аналитический контроль" в Новосибирске.
Он отметил, что катализаторы называются "бесследными", поскольку остаточное количество вещества настолько небольшое, что его трудно обнаружить в составе продукта реакции, и это количество меньше допустимых норм, в том числе для нужд скрининга в индустрии, где эти стандарты достаточно высоки.
В настоящее время этот подход применяется в ряде отраслей химии благодаря использованию химических реакторов, изготовленных методом 3D-печати.
"Это небольшие химические реакторы, которые могут производить примерно 1 грамм вещества в сутки. Когда такие реакторы печатаются на 3D-принтерах, создается массив этих реакторов, которые работают параллельно, и суммарная производительность синтеза легко масштабируется", - сказал академик.
По его словам, существенное влияние может оказать также использование нейронных сетей, при этом перспективным является создание цифровых двойников химических реакций и химических технологических цепочек.
В то же время, отметил Анаников, для обучения нейронных сетей важны не только успешные, но и неудачные эксперименты, доля которых, по статистике, может доходить до 90%.
"Для активного обучения алгоритмов искусственного интеллекта важно хранить и оцифровывать лабораторные журналы, содержащие удачные и неудачные опыты", - сказал академик.
