Новости химической науки > Астрохимия и ИИ

В глубинах космоса, в холодных и разреженных молекулярных облаках, скрываются химические процессы, которые миллиарды лет назад могли дать начало жизни на Земле. До недавнего времени изучение этих процессов было похоже на попытку собрать пазл с миллиардом элементов — астрохимики работали с ограниченными данными, сталкиваясь с нехваткой вычислительных мощностей и несовершенством моделей. Однако сегодня ситуация кардинально меняется: в астрохимию пришёл искусственный интеллект, и первые результаты этой «революции» уже опубликованы в ведущих научных журналах.

Лаборатория на столе и мозг в компьютере

Одной из самых впечатляющих работ 2026 года стало исследование международной группы учёных, опубликованное в журнале *Communications Chemistry*. Они задались фундаментальным вопросом: как в космических льдах — покрывающих пылевые частицы в межзвёздной среде — образуются кислородсодержащие органические молекулы?

Для ответа на этот вопрос исследователи провели серию лабораторных экспериментов, моделирующих условия глубокого космоса. Они облучали лёд из метана (CH₄) и молекулярного кислорода (O₂) потоками, имитирующими галактические космические лучи, а затем анализировали образовавшиеся продукты с помощью сверхчувствительной масс-спектрометрии. Но даже самая совершенная экспериментальная установка даёт лишь «снимок» конечного результата, а не описание того, как именно происходила химическая эволюция.

Здесь на помощь пришли нейросетевые потенциалы в сочетании с алгоритмами поиска реакционных путей. Машинное обучение позволило не просто перебрать возможные варианты реакций, а сделать это с невероятной скоростью и точностью, учитывая неравновесные механизмы образования молекул, которые критичны для понимания пребиотической химии. Комбинируя эксперимент и ИИ, учёные смогли обнаружить ранее неизвестные механизмы образования альдегидов, спиртов и пероксидов — ключевых предшественников сложных органических соединений.

Расшифровка «инфракрасных отпечатков» космоса

Другая группа исследователей, работающая в области астрофизики, применила ИИ для решения задачи, которая десятилетиями ставила астрономов в тупик: как по инфракрасным спектрам определить, из каких молекул состоят космические льды. Инфракрасный телескоп James Webb (JWST) предоставляет учёным сотни спектров, но ручной анализ каждого из них требует колоссального времени и опыта.

Для решения этой проблемы был разработан инструмент под названием AICE (Automatic Ice Composition Estimator) — искусственная нейросеть, обученная на сотнях лабораторных спектров ледяных смесей. Результат превзошёл ожидания: AICE определяет состав льда с ошибкой всего около 3% и делает это менее чем за одну секунду на обычном компьютере. Это открывает возможность для систематического анализа сотен спектров, полученных JWST, и создания детальных карт химической эволюции в различных уголках нашей Галактики.

Похожий подход был использован и для идентификации полициклических ароматических углеводородов (ПАУ) — сложных молекул, которые, как считается, играют важную роль в образовании планет и даже в происхождении жизни. Вместо того чтобы полагаться на эмпирические соотношения интенсивностей отдельных полос, учёные применили алгоритм случайного леса (Random Forest), обученный на 23 000 синтезированных спектрах . Модель не просто классифицировала молекулы по размеру и заряду с впечатляющим F1-показателем (~0.963), но и позволила заглянуть в свой «процесс принятия решений». Оказалось, что диагностика размера ПАУ зависит от их заряда: у нейтральных молекул ключевую роль играют C-H моды, а у ионизированных — морфология C-C связей в диапазоне 6–8 μм. Это открытие позволяет по-новому интерпретировать данные наблюдений.

Планетные колыбели: масс-спектрометрия и большие данные

Применение ИИ не ограничивается анализом отдельных спектров. Проект iSEEDs (Astrochemical Study of Early Embedded Disks), финансируемый Министерством университетов и исследований Италии, ставит перед собой амбициозную задачу — с помощью машинного обучения и методов добычи данных (data mining) обработать огромные массивы архивных наблюдений ALMA и NOEMA. Эти данные содержат информацию о химическом составе и физических свойствах самых молодых протопланетных дисков — колыбелей будущих планетных систем.

Основная цель проекта — ответить на три фундаментальных вопроса:

1. Сколько массы доступно в диске для формирования планет?

2. Каков химический состав дисков и какая его часть передаётся формирующимся планетам?

3. Когда и как растут пылевые частицы, образуя планетезимали?

Без ИИ обработка такого объёма данных была бы непосильной задачей. Комбинируя астрохимию, дата-майнинг и машинное обучение, проект iSEEDs позволит перейти от изучения отдельных объектов к полноценному статистическому анализу эволюции планетообразующих сред, что критически важно для понимания разнообразия наблюдаемых экзопланет.

Будущее: от отдельных открытий к новой парадигме

Приведённые примеры — лишь первые ласточки. Исследователи уже разрабатывают нейросетевые эмуляторы для анализа миллионов звёздных спектров, например, для проекта 4MOST, где искусственные нейросети позволят определять химический состав 4 миллионов звёзд с высокой точностью.

Интеграция машинного обучения с астрохимическими экспериментами и наблюдениями, как отмечают авторы работы о кислородсодержащих молекулах, «призвана произвести революцию в наших возможностях по прогнозированию молекулярного состава ледяных оболочек пылевых частиц».

Искусственный интеллект в астрохимии — это не просто новый инструмент. Это новый способ мышления, позволяющий увидеть за хаосом данных стройные закономерности и приблизиться к пониманию самого главного: как химия космоса создала химию жизни.

метки статьи: #космохимия