Forskere sætter AI i gang med at lave kemiforudsigelser

Efterhånden som kemien er blevet mere avanceret og de kemiske reaktioner mere komplekse, det er ikke længere altid praktisk for forskere at sætte sig ved en laboratoriebænk og begynde at blande kemikalier for at se, hvad de kan finde på.

Tom Miller, en professor i kemi ved Caltech; Matt Welborn, en postdoktor ved Resnick Sustainability Institute; og Lixue Cheng, en kandidatstuderende i kemi og kemiteknik, har udviklet et nyt værktøj, der bruger maskinlæring til at forudsige kemiske reaktioner længe før reagenser rammer reagensglasset.

Deres er ikke det første beregningsværktøj udviklet til at lave kemiforudsigelser, men det forbedrer i forhold til det, der allerede er i brug, og det betyder noget, fordi den slags forudsigelser har en stor indflydelse på området.

"De giver os mulighed for at forbinde underliggende mikroskopiske egenskaber til de ting, vi holder af i den makroskopiske verden, " siger Miller. "Disse forudsigelser giver os mulighed for på forhånd at vide, om en katalysator vil præstere bedre end en anden, og at identificere nye lægemiddelkandidater."

De kræver også mange beregningsmæssige tunge løft. Miller påpeger, at en væsentlig del af al supercomputertid på Jorden er dedikeret til kemiforudsigelser, så øget effektivitet kan spare forskerne for en masse tid og udgifter.

Caltech-forskernes arbejde giver i det væsentlige en ændring af fokus for forudsigelsessoftware. Tidligere værktøjer var baseret på tre beregningsmodelleringsmetoder kendt som density functional theory (DFT), koblet klynge teori (CC), eller Møller–Plesset perturbation theory (MP2). Disse teorier repræsenterer tre forskellige tilgange til at tilnærme en løsning til Schrödinger-ligningen, som beskriver komplekse systemer, hvor kvantemekanikken spiller en stor rolle.

Hver af disse teorier har sine egne fordele og ulemper. DFT er noget af en hurtig og beskidt tilgang, der giver forskerne svar hurtigere, men med mindre nøjagtighed. CC og MP2 er meget mere nøjagtige, men tager længere tid at beregne og bruger meget mere computerkraft.

Møller, Cheng, og Welborns værktøj tråder nålen, giver dem adgang til forudsigelser, der er mere nøjagtige end dem, der er oprettet med DFT og på kortere tid, end CC og MP2 kan tilbyde. Det gør de ved at fokusere deres maskinlæringsalgoritme på egenskaberne af molekylære orbitaler - skyen af ​​elektroner omkring et molekyle. Allerede eksisterende værktøjer, i modsætning, fokusere på typerne af atomer i et molekyle eller vinklerne, hvor atomerne er bundet sammen.

Indtil nu, deres tilgang viser en masse lovende, selvom det kun er blevet brugt til at lave forudsigelser om relativt simple systemer. Den sande test, Miller siger, er at se, hvordan det vil fungere på mere komplicerede kemiske problemer. Stadig, han er optimistisk på baggrund af de foreløbige resultater.

"Hvis vi kan få det til at virke, det vil være en stor sag for den måde, hvorpå computere bruges til at studere kemiske problemer, " siger han. "Vi er meget begejstrede for det."

Arbejdet er beskrevet i et papir med titlen "Transferability in Machine Learning for Electronic Structure via the Molecular Orbital Basis", der vises i Journal of Chemical Theory and Computation .