L'alchimie de l'IA révolutionne la chimie : des chercheurs du MIT utilisent l'IA générative pour générer de nouvelles réactions chimiques en six secondes

Ce qui doit être réécrit, c'est : Éditeur | Kaixia

La chimie, à partir de l'alchimie ancienne de « l'échange équivalent », a toujours été une discipline qui étudie et contrôle l'interaction entre les substances. En déverrouillant et en exploitant continuellement de nouvelles réactions chimiques, de nombreux nouveaux matériaux ont été développés. Ces nouveaux matériaux apportent non seulement du confort à la vie des gens, mais améliorent également l'efficacité de l'utilisation de l'énergie et favorisent le développement durable. Une réaction chimique de base est constituée de réactifs, d'états de transition (TS) et de produits. Les états de transition sont des structures 3D cruciales en chimie et sont largement utilisés pour comprendre les mécanismes de réaction chimique, estimer les barrières énergétiques de réaction et explorer de vastes réseaux de réactions. Cependant, en raison du temps extrêmement court (ordre femtoseconde) pendant lequel ils existent au cours de la réaction, il est presque impossible d’isoler et de caractériser expérimentalement l’état de transition.

Contenu réécrit : Habituellement, les gens utilisent des méthodes de calcul de chimie quantique pour déterminer l'état de transition entre les réactifs et les produits connus en résolvant à plusieurs reprises l'équation de Schrödinger. Cependant, cette méthode de calcul est très coûteuse et connue pour ses échecs fréquents. Dans le même temps, cette méthode est limitée par l’expérience personnelle, l’intuition et les ressources informatiques, et les réactions chimiques que chaque personne peut explorer sont également limitées. Cette limitation est particulièrement fatale lors de l’étude de réactions complexes inconnues. Cela amènera les chercheurs à ignorer certaines réactions potentielles, jugeant ainsi mal le mécanisme de réaction, affectant ainsi la conception des matériaux catalytiques.

En réponse à ce problème, un groupe de chercheurs du Massachusetts Institute of Technology (MIT) a développé une méthode alternative basée sur l'apprentissage automatique peut découvrir ces structures en quelques secondes. Leur nouveau modèle pourrait aider les chimistes à explorer et à concevoir de nouvelles réactions et catalyseurs pour générer des produits utiles à haute valeur ajoutée, tels que des composés combustibles ou des produits pharmaceutiques. De plus, le modèle est capable de simuler des réactions chimiques naturelles, telles que celles essentielles à l’évolution de la vie sur la Terre primitive.

Heather Kulik, professeur de génie chimique et de chimie au MIT, a souligné que comprendre la structure spécifique de l'état de transition est très important pour concevoir des catalyseurs ou comprendre comment les systèmes naturels effectuent certaines transformations.

Les travaux de recherche connexes sont intitulés "État de transition précis génération avec un « modèle de diffusion de réaction élémentaire équivariant » sensible aux objets a été publié dans la revue internationale de premier plan « Nature Computational Science ».

Le Dr Duan Chenru du MIT est le premier auteur de l'article. Du Yuanqi, doctorant à l'Université Cornell, Jia Haojun, doctorant au MIT, et le professeur Heather Kulik du MIT sont co-auteurs de l'article. . Lien original : [https://rdcu.be/dtGSF]

Veuillez cliquer sur le lien suivant pour consulter l'article : https://www.nature.com/articles/s43588-023-00563-7

MIT College News a également rendu compte de cette étude

Lien de rapport : https://news.mit.edu/2023/computational-model-captures-elusive-transition-states-1215

Doit être réécrit. Le contenu est : Difficultés théoriques

Actuellement, les chimistes peuvent utiliser des méthodes de calcul de chimie quantique basées sur la théorie fonctionnelle de la densité pour calculer les états de transition. Cependant, cette méthode nécessite beaucoup de ressources informatiques, et il faut des heures, voire des jours, pour terminer le calcul d'un état de transition

Afin de résoudre le problème des longs temps de calcul, certains chercheurs ont récemment commencé à essayer d'utiliser l'apprentissage automatique modèles pour découvrir les structures des États de transition. Cependant, presque tous les modèles développés à ce jour nécessitent que les deux réactifs soient modélisés dans leur ensemble, les réactifs conservant une configuration géométrique spécifique l'un par rapport à l'autre. Toute autre configuration possible sera confondue par le modèle d'apprentissage automatique avec une nouvelle réaction.

Le Dr Duan Chenru a déclaré que si les molécules réactives sont mises en rotation, en principe, elles peuvent toujours subir la même réaction chimique avant et après la rotation. Tout comme lorsque nous parlons d’électrolyse de l’eau, nous disons seulement que l’eau est convertie en oxygène et en hydrogène dans des conditions spécifiques, sans décrire les positions géométriques relatives de ces molécules. Mais dans les méthodes traditionnelles d’apprentissage automatique, le modèle traitera les réactions des réactifs et des produits à différentes positions géométriques comme deux réactions différentes. Cela rend la formation en apprentissage automatique plus difficile et la précision diminuera

Le modèle de diffusion est un modèle génératif largement utilisé en traitement d'image. Récemment, des modèles de diffusion ont également été utilisés pour générer des structures moléculaires et protéiques 3D, un amarrage protéine-ligand et une conception de médicaments basée sur la structure. Dans ces applications, les modèles de diffusion utilisent des réseaux de neurones graphiques (GNN) 3D spéciaux du groupe euclidien (SE (3)) pour préserver l'alignement, les symétries de translation et de rotation des molécules. Cependant, les réactions élémentaires sont constituées de réactifs, d'états de transition et de produits et suivent la symétrie SE(3) « sensible aux objets ». En effet, l'interaction entre les trois objets dans la réaction élémentaire ne s'effectue pas dans l'espace euclidien 3D, mais constitue une connexion causale sur la surface d'énergie potentielle électronique de dimension supérieure. Par conséquent, le modèle de diffusion existant basé sur SE(3) GNN peut avoir des problèmes en raison de la destruction de la symétrie

Illustration : "Object Perception" SE(3) équivariance et son équivariance SE(3) basée sur la mise en œuvre de GNN . (Source : Paper)

Solution

L'équipe du MIT a développé une nouvelle méthode appelée « OA-ReactDiff » basée sur les problèmes ci-dessus. L'équipe a ajusté le GNN équivariant SE(3) à une simulation « sensible aux objets », c'est-à-dire en maintenant l'équivariance SE(3) d'un seul objet tout en conservant leurs interactions indépendantes dans l'espace euclidien. Les modèles de diffusion du Dr Duan Chenru en font partie. du domaine de l'intelligence artificielle générative, qui utilise des processus stochastiques pour capturer la transformation entre des distributions simples et complexes. Une fois que le modèle a appris la distribution de base de la façon dont ces trois structures coexistent, nous pouvons lui donner de nouveaux réactifs et produits et il essaiera de générer des structures d'état de transition correspondant à ces réactifs et produits

Illustration : Aperçu du modèle de diffusion équivariant (EDM) pour générer des échantillons de systèmes moléculaires. (Source : article)

Dans l'étude, les chercheurs ont utilisé des méthodes informatiques quantiques pour obtenir les structures des réactifs, les états de transition et les produits de 9 000 réactions chimiques différentes dans l'ensemble d'entraînement. Et a également testé environ 1 000 réactions inédites, nécessitant la génération de 40 structures possibles pour chaque état de transition

Au cours du processus de calcul, un « modèle de recommandation » a été introduit pour prédire le niveau de confiance de quel état de transition est le plus élevé. Sur cette base, combinée en outre avec des estimations d'incertitude, les chercheurs ont effectué des calculs de chimie quantique uniquement sur les 14 % des réactions présentant l'incertitude de modèle la plus élevée, atteignant avec succès une erreur absolue moyenne de 2,6 kcal/mol. Cela permet d'obtenir des résultats dans une erreur d'un ordre de grandeur lors de l'estimation des taux de réaction à 300 °C à l'aide de OA-ReactDiff. Comparée à la structure d'état de transition obtenue par des calculs de chimie quantique, l'erreur quadratique moyenne (RMSD) de la structure générée par OA-ReactDiff est de l'ordre de 0,06 angström (six millièmes de nanomètre), une ampleur d'erreur presque impossible à distinguer. à l'œil nu

Ce qui est encore plus gratifiant, c'est qu'OA-ReactDiff ne prend que 6 secondes pour générer une structure d'état de transition, ce qui est au moins 1000 fois plus rapide que les calculs de chimie quantique. En conséquence, l’algorithme atteint avec succès une précision et une rapidité extrêmement élevées dans le calcul des structures TS et des barrières d’énergie de réaction.

Illustration : Évaluation de la similitude structurelle entre la structure TS générée par OA-ReactDiff et la structure TS réelle. (Source : article)

Le professeur Kulik a également déploré : « Il était difficile pour nous d'imaginer que des milliers d'états de transition puissent être générés en une seule pensée. »

Le contenu qui doit être réécrit est : Illustration : OA- ReactDiff plus préconise la performance énergétique des structures TS. (Source : Paper)

Les attentes futures sont des attentes et des espoirs pour l'avenir. C'est la vision d'une personne pour son développement et sa croissance futurs. Chacun a ses propres attentes futures, qui peuvent consister à atteindre des objectifs personnels, à poursuivre une carrière réussie, à fonder une famille heureuse ou à apporter une contribution positive à la société, etc. Quelles que soient les attentes futures, elles constituent la motivation et la direction qui incitent les gens à travailler dur. Grâce à un travail acharné et à la persévérance, nous pouvons progressivement réaliser nos attentes futures et rendre notre vie meilleure et plus épanouissante.

Ce qui doit être réécrit est : Cette recherche est la première à utiliser un modèle de diffusion 3D dans les réactions chimiques. L'importance de ce travail ne peut être ignorée, bien que les chercheurs n'aient étudié que des composés comportant un plus petit nombre d'atomes (

Le professeur Kulik a souligné : « Même face à des systèmes plus grands ou même à des systèmes catalysés par des enzymes, il est toujours possible d'obtenir des informations sur les différentes manières dont les atomes sont les plus susceptibles de se réorganiser. »

Les chercheurs envisagent désormais d'étendre leur modèle en ajoutant d'autres composants, comme des catalyseurs. Tirant parti du caractère aléatoire de l’IA générative, OA-ReactDiff peut explorer des réactions chimiques inattendues. Cette fonctionnalité complète le cadre d'exploration intuitive des réactions basé sur la chimie, aide à établir un réseau de réactions chimiques plus complet et aide au développement et à la conception de nouveaux matériaux catalytiques. La recherche dans ce domaine peut les aider à accélérer la découverte de nouveaux catalyseurs pour des réactions spécifiques. De plus, l’algorithme proposé pourrait être utile pour développer de nouveaux procédés pour les médicaments, les carburants ou d’autres composés utiles, en particulier lorsque la synthèse implique de nombreuses étapes chimiques.

Le Dr Duan Chenru a souligné que dans le passé, tous ces calculs étaient effectués à l'aide de méthodes de chimie quantique, mais que nous pouvons désormais remplacer la chimie quantique par des modèles génératifs plus rapides.

Les chercheurs ont également souligné que les réactions chimiques sont au cœur de la recherche chimique. . En plus de la conception de catalyseurs orientée vers les applications industrielles, OA-ReactDiff a également de nombreuses applications potentielles intéressantes, telles que l'exploration des interactions gazeuses qui peuvent se produire sur d'autres planètes, la simulation de processus de réaction au cours de l'évolution des premiers stades de la vie sur Terre, etc.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!