Maskinlæring fremskynder kvantekemiberegninger

Kvantekemi, studiet af kemiske egenskaber og processer på kvanteskala, har åbnet mange veje til forskning og opdagelse i moderne kemi. Uden nogensinde at håndtere et bægerglas eller et reagensglas, kemikere kan forudsige egenskaberne for et givet atom eller molekyle, og hvordan det vil undergå kemiske reaktioner ved at studere dets elektroniske struktur - hvordan dets elektroner er arrangeret i orbitaler - og hvordan disse elektroner interagerer med andre forbindelser eller atomer.

Imidlertid, lige så stærk som kvantekemi har vist sig at være, det har også en stor ulempe:Nøjagtige beregninger er ressourcekrævende og tidskrævende, med rutinemæssige kemiske undersøgelser, der involverer beregninger, der tager dage eller længere.

Nu, takket være et nyt kvantekemisk værktøj, der bruger maskinlæring, kvantekemiberegninger kan udføres 1, 000 gange hurtigere end tidligere muligt, gør det muligt at udføre præcis kvantekemisk forskning hurtigere end nogensinde før.

Værktøjet, kaldet OrbNet, blev udviklet gennem et partnerskab mellem Caltechs Tom Miller, professor i kemi, og Anima Anandkumar, Bren professor i computing og matematiske videnskaber.

"I kvantekemi, der har været et straffende samspil mellem beregningens nøjagtighed og den tid, det tager, " siger Miller. "Du ville starte en beregning, og ville sige, 'Godt, vi ses på tirsdag.' Men nu, beregningerne kan udføres interaktivt. "

OrbNet bruger et grafisk neuralt netværk, en type maskinlæringssystem, der repræsenterer information som "knudepunkter, " som indeholder data, og "kanter, ", som repræsenterer måden, hvorpå disse bidder af data er relateret til hinanden.

Miller siger, at OrbNet fungerer lige så godt, som det gør på grund af en innovation i måden, atomer og molekyler er knyttet til det grafiske neurale netværk, der er baseret på Schrödinger -ligningen, et stykke matematik centralt i kvantemekanikken.

"Tidligere grafarkitekturer havde organiseret atomerne som knudepunkter og bindingerne mellem atomerne som kanter, men det er ikke sådan kvantekemi tænker over det, " siger han. "Så, i stedet, vi byggede en graf, hvor noderne er elektronorbitaler, og kanterne er vekselvirkninger mellem orbitalerne. Det har en meget mere naturlig forbindelse til Schrödinger-ligningen."

Som alle maskinlæringssystemer, OrbNet skal trænes til at udføre en tildelt opgave, svarende til, hvordan en person, der får et nyt job, skal uddannes til det. OrbNet lærte at forudsige molekylære egenskaber på grundlag af nøjagtige referencekvantemekaniske beregninger. Anandkumar, hvis forskning fokuserer på maskinlæring, hjalp med at designe og optimere grafens neurale netværksimplementering.

"Orbnet er et godt eksempel på en deep-learning-model, der bruger domænespecifikke funktioner:i dette tilfælde, molekylære orbitaler. Dette gør det muligt for maskinlæringsmodellen nøjagtigt at udføre beregningerne på meget større molekyler, så meget som 10 gange større, end de molekyler, der er til stede i træningsdata, "Anandkumar siger." For en standard deep-learning model, sådan ekstrapolering er umulig, da den kun lærer at interpolere på træningsdataene. Udnyttelse af domænekendskabet til molekylære orbitaler var afgørende for os for at opnå overførsel til større molekyler.

I øjeblikket, OrbNet er blevet trænet på cirka 100, 000 molekyler, som Miller siger tillader det at udføre mange nyttige beregninger for forskere, men den løbende indsats sigter mod at skalere den til større træningsdatasæt.

"Forudsigelsen af ​​molekylære egenskaber har mange praktiske fordele. F.eks. OrbNet kan bruges til at forudsige strukturen af ​​molekyler, måden de vil reagere på, om de er opløselige i vand, eller hvordan de vil binde sig til et protein, " han siger.

Miller siger, at fremtidigt arbejde på OrbNet vil fokusere på at udvide rækken af ​​opgaver, det kan bruges til gennem yderligere træning.

"Vi har vist, at det virker for et lille hjørne af organisk kemi, men der er ikke noget, der forhindrer os i at udvide tilgangen til andre applikationsdomæner, " han siger.

Avisen, der beskriver OrbNet, med titlen, "OrbNet:Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features, " blev offentliggjort i Journal of Chemical Physics den 25. september og udvalgt som Editor's Pick.