Генеративное моделирование позволяет восстанавливать молекулярную структуру по данным Coulomb explosion imaging

Наблюдая движения молекул в реальном времени

Химики долгое время мечтали снять на пленку молекулы, когда они поворачиваются, распадаются и образуют новые связи в ходе химических реакций. Это было бы не просто любопытством: понимание того, как атомы перестраиваются на своих естественных ультрабыстрых временных шкалах, могло бы помочь в разработке более эффективных лекарств, катализаторов и материалов. В статье описан новый способ превратить жесткое измерение — когда молекулы разрушаются интенсивными рентгеновскими импульсами — в четкие трехмерные изображения их исходных форм с помощью мощного метода искусственного интеллекта.

Разрывая молекулы, чтобы увидеть их форму

Техника, называемая Coulomb explosion imaging, исходит из простой, но эффектной идеи: мгновенно удалить много электронов из молекулы, чтобы ее положительно заряженные атомы отталкивались и разлетались. С помощью интенсивных фемтосекундных лазерных или рентгеновских импульсов исследователи инициируют этот взрыв и фиксируют, где и с какой скоростью каждый ион попадает в детектор. Эти импульсы моментов несут информацию о том, как атомы были расположены непосредственно перед взрывом. В принципе, решив физику этого взрыва идеально, можно работать в обратном направлении — от исходящих фрагментов к исходной молекулярной структуре. На практике это крайне трудная обратная задача, особенно для молекул более чем с несколькими атомами, поскольку многочастичная квантовая динамика слишком сложна и требует слишком много времени для многократного моделирования в традиционном итеративном восстановлении.

Обучение нейронной сети «читать» взрывы

Чтобы преодолеть это узкое место, авторы представляют MOLEXA — генеративную нейронную сеть, специально разработанную для восстановления геометрии молекулы по измеренным импульсам ионов. MOLEXA опирается на современные инструменты глубокого обучения, изначально созданные для генерации текста и изображений: архитектуру Transformer с добавленным специальным механизмом «памяти» и диффузионный процесс, который начинает с зашумленного предположения о положениях атомов и постепенно уточняет его. На вход сеть получает идентичности ионов, их заряды и трехмерные импульсы со всеми фрагментами Coulomb explosion, а на выходе выдает предсказанное положение атомов в пространстве, фактически изучая прямой путь из пространства моментов обратно в реальное пространство.

Решение проблемы данных

Обучение такой модели требует множества примеров взрывов, в которых известны и исходящие фрагменты, и исходные молекулярные структуры. Но высокоточные моделирования рентген‑индуцированных Coulomb explosion настолько вычислительно затратны, что можно получить лишь ограниченный набор данных. Поэтому авторы применяют двухэтапную стратегию. Сначала они обучают MOLEXA на очень большом синтетическом наборе, сгенерированном упрощенной классической моделью взрыва, которая быстрая, но приближенная. Затем ту же сеть дообучают на гораздо меньшем, но высокоточно вычисленном наборе, полученном аб initio‑симуляциями с детальным учетом электронных процессов. Такой поэтапный подход сокращает типичную ошибку предсказания структуры примерно вдвое по сравнению с обучением только на малом точном наборе, позволяя модели достигать средней абсолютной ошибки положения меньше одной атомной единицы — примерно половины длины типичной химической связи — для молекул до семи атомов и лишь немного хуже для систем из восьми–девяти атомов.

Проверка точности и оценка доверия

Исследователи систематически тестируют MOLEXA на тысячах смоделированных молекул и обнаруживают, что сеть не только восстанавливает общие формы, но и дает разумные значения расстояний и углов связей. Для простых двухатомных молекул она превосходит классические формулы восстановления, основанные исключительно на выделении кинетической энергии. Важным является то, что сеть оснащена модулем оценки неопределенности: вместе с каждой предсказанной координатой атома она выдает внутреннюю оценку ожидаемой величины ошибки. В многочисленных тестах более высокая предсказанная неопределенность сильно коррелирует с большими реальными ошибками, что дает практический индикатор доверия для экспериментаторов. Модель также может генерировать несколько восстановлений для одного и того же входа, разброс которых служит независимой мерой неопределенности.

От статичных снимков к «фильмам» реакций

Чтобы показать, что MOLEXA работает на реальных данных, команда применяет ее к измерениям Coulomb explosion на Европейском рентгеновском сверхкороткопульсном свободно‑электронном лазере для известных молекул, таких как вода, тетрафторметан и этанол. Используя только измеренные импульсы ионов и без настройки под конкретную молекулу, сеть восстанавливает равновесные структуры, которые хорошо согласуются с эталонными геометриями. Они также демонстрируют, как MOLEXA может захватывать различные структурные состояния вдоль модельного реакционного пути раскрытия кольца циклобутена, включая разрыв кольца и миграцию протона, при идеализированных входных импульсах моментов. Хотя текущие эксперименты часто усредняют вклады многих квантовых состояний и геометрий, будущие временно разрешенные исследования, которые лучше разнесут эти вклады, могли бы использовать MOLEXA для сборки покадровых «фильмов» реакций молекул.

Почему это важно

Эта работа демонстрирует, что генеративный ИИ способен решить давнюю, сильно нелинейную обратную задачу, которой сопротивлялись традиционные методы. Обучаясь на реалистичных симуляциях тому, как взрывы кодируют структуру, MOLEXA позволяет исследователям извлекать трехмерные молекулярные формы — и их изменения во времени — из данных, которые ранее казались слишком сложными для обращения. Подход является общим: аналогичное двухэтапное обучение может помочь решить другие задачи, где существует подробная физическая модель, но она слишком дорога для прямого встраивания в алгоритмы восстановления. При расширении на более крупные молекулы и сценарии частичной детекции эта стратегия может превратить Coulomb explosion imaging в рутинный инструмент для наблюдения химических реакций в реальном пространстве и реальном времени.

Цитирование: Li, X., Jahnke, T., Boll, R. et al. Generative modeling enables molecular structure retrieval from Coulomb explosion imaging. Nat Commun 17, 3430 (2026). https://doi.org/10.1038/s41467-026-70160-5

Ключевые слова: Coulomb explosion imaging, восстановление молекулярной структуры, генеративные нейронные сети, ультрабыстрая рентгеновская наука, обратные задачи в физике