Химики МГУ применили трансферное машинное обучение, благодаря которому смогли спрогнозировать молекулярные свойства, базируясь на структуре частиц. Для создания модели с высокой предсказательной точностью достаточно лишь нескольких десятков молекулярных структур.

В химии часто применяются методы машинного обучения для выявления связей между характеристиками молекулы и ее структурными компонентами. С этой целью проводится анализ большого количества структур химических соединений и проверяется их активность в биологическом и физико-химическом направлениях. Итогом подобной аналитической работы становится устройство, способное предугадывать функциональные характеристики какой-либо комбинации или, наоборот, предлагать структуру частицы с необходимыми параметрами.

Данный механизм называется анализом больших данных, так как данных в реальности огромное количество, доходящее до миллионов. Достаточно сложно обнаружить миллион молекул со свойством, измеренным в идентичных условиях. Именно по этой причине эксперты не могут применять машинное обучение для осуществления большинства актуальных задач.

С целью преодоления информационной нехватки ученые приняли решение использовать трансферное обучение. Основная концепция заключается в обучении модели на большой информационной выборке, а затем перенесении ее дальнейшего обучения на малое количество данных. При этом начальный этап предусматривает возможность использования менее точной информации, потому что основные результаты прогнозирования системы уточняются в процессе второго этапа работы.