AI 연금술이 화학에 혁명을 일으키다: MIT 학자들은 생성 AI를 사용하여 6초 만에 새로운 화학 반응을 생성합니다.

다시 작성해야 할 내용은 다음과 같습니다. 편집자 | Kaixia

화학은 "등가 교환"이라는 고대 연금술에서 시작하여 항상 물질 간의 상호 작용을 연구하고 제어하는 ​​학문이었습니다. 지속적으로 새로운 화학 반응을 발견하고 활용함으로써 많은 새로운 재료가 개발되었습니다. 이러한 신소재는 사람들의 생활에 편리함을 가져다줄 뿐만 아니라, 에너지 이용 효율을 향상시키고 지속가능한 발전을 촉진합니다. 기본적인 화학반응은 반응물, 전이상태(TS), 생성물로 구성됩니다. 전이 상태는 화학에서 중요한 3D 구조이며 화학 반응 메커니즘을 이해하고, 반응 에너지 장벽을 추정하고, 광범위한 반응 네트워크를 탐색하는 데 널리 사용됩니다. 그러나 반응 중에 존재하는 시간이 매우 짧기 때문에(펨토초 정도) 전이 상태를 실험적으로 분리하고 특성화하는 것은 거의 불가능합니다.

재작성된 내용: 일반적으로 사람들은 슈뢰딩거 방정식을 반복적으로 풀어 알려진 반응물과 생성물 사이의 전이 상태를 결정하기 위해 양자 화학 계산 방법을 사용합니다. 그러나 이 계산 방법은 비용이 많이 들고 자주 실패하는 것으로 악명이 높습니다. 동시에 이 방법은 개인적인 경험, 직관, 계산 자원에 의해 제한되며, 각 사람이 탐구할 수 있는 화학 반응도 제한됩니다. 이러한 제한은 알려지지 않은 복잡한 반응을 연구할 때 특히 치명적입니다. 이는 연구자들이 일부 잠재적인 반응을 무시하게 만들고 반응 메커니즘을 잘못 판단하여 촉매 물질의 설계에 영향을 미치게 됩니다.

이 문제에 대응하여 MIT(매사추세츠 공과대학) 연구진은 다음을 기반으로 한 대체 방법을 개발했습니다. 기계 학습은 이러한 구조를 몇 초 안에 발견할 수 있습니다. 그들의 새로운 모델은 화학자들이 연료 화합물이나 의약품과 같이 고부가가치를 지닌 유용한 제품을 생성하기 위해 새로운 반응과 촉매를 탐색하고 설계하는 데 도움을 줄 수 있습니다. 또한 이 모델은 초기 지구 생명체 진화의 핵심과 같은 자연적으로 발생하는 화학 반응을 시뮬레이션할 수 있습니다.

MIT 화학공학과 헤더 쿨릭(Heather Kulik) 교수는 촉매를 설계하거나 자연계가 어떤 변화를 어떻게 수행하는지 이해하기 위해서는 전이 상태의 구체적인 구조를 이해하는 것이 매우 중요하다고 지적했습니다.

관련 연구 제목은 "정확한 전이 상태"입니다. 객체 인식 "등변 기본 반응 확산 모델"을 이용한 생성이 국제 최고 저널인 "Nature Computational Science"에 게재되었습니다.

MIT의 Duan Chenru 박사가 논문의 제1저자이며, 코넬대학교 박사과정 학생인 Du Yuanqi, MIT 박사과정 학생인 Jia Haojun, 그리고 MIT의 Heather Kulik 교수가 논문의 공동 저자입니다. . 원본 링크: [https://rdcu.be/dtGSF]

논문을 보려면 다음 링크를 클릭하세요: https://www.nature.com/articles/s43588-023-00563-7

MIT College News에서도 이 연구를 보도했습니다

보도 링크: https://news.mit.edu/2023/computational-model-captures-elusive-transition-states-1215

재작성 필요 내용 is: 이론적 어려움

현재 화학자들은 밀도 범함수 이론에 기초한 양자 화학 계산 방법을 사용하여 전이 상태를 계산할 수 있습니다. 하지만 이 방법은 많은 컴퓨팅 리소스를 필요로 하며, 전이 상태 계산을 완료하는 데 몇 시간, 심지어 며칠이 걸립니다

긴 계산 시간 문제를 해결하기 위해 최근 일부 연구자들은 머신러닝을 활용하려는 시도를 시작했습니다. 전이 상태 구조를 발견하는 모델. 그러나 현재까지 개발된 거의 모든 모델에서는 두 반응물을 전체적으로 모델링하고 반응물이 서로에 대해 특정 기하학적 구성을 유지하도록 요구합니다. 다른 가능한 구성은 기계 학습 모델에 의해 새로운 반응으로 오해될 것입니다.

Duan Chenru 박사는 반응물 분자가 회전하면 원칙적으로 회전 전후에 동일한 화학 반응을 경험할 수 있다고 말했습니다. 물을 전기분해하는 것에 관해 이야기할 때와 마찬가지로, 우리는 물이 특정 조건 하에서 산소와 수소로 전환된다고만 말할 뿐, 이들 분자의 상대적인 기하학적 위치는 설명하지 않습니다. 그러나 전통적인 기계 학습 방법에서 모델은 서로 다른 기하학적 위치에서 반응물과 생성물의 반응을 두 개의 서로 다른 반응으로 처리합니다. 이로 인해 기계 학습 교육이 더 어려워지고 정확도가 떨어집니다

확산 모델은 이미지 처리에 널리 사용되는 생성 모델입니다. 최근 확산 모델은 3D 분자 및 단백질 구조, 단백질-리간드 도킹 및 구조 기반 약물 설계를 생성하는 데에도 사용되었습니다. 이러한 응용 프로그램에서 확산 모델은 3D 특수 유클리드 그룹(SE(3)) 그래프 신경망(GNN)을 사용하여 분자의 배열, 병진 및 회전 대칭을 보존합니다. 그러나 기본 반응은 반응물, 전이 상태 및 생성물로 구성되며 "객체 인식" SE(3) 대칭을 따릅니다. 이는 소반응에서 세 물체 간의 상호작용이 3차원 유클리드 공간에서 이루어지는 것이 아니라, 고차원 전자포텐셜에너지 표면에서 인과관계로 연결되기 때문이다. 따라서 SE(3) GNN을 기반으로 한 기존 확산 모델은 대칭 파괴로 인해 문제가 있을 수 있습니다

그림: "Object Perception" SE(3) 등분산 및 GNN 구현을 기반으로 한 SE(3) 등분산 . (출처: Paper)

Solution

MIT 팀은 위의 문제점을 바탕으로 "OA-ReactDiff"라는 새로운 방법을 개발했습니다. 팀은 SE(3) 등분산 GNN을 "객체 인식" 시뮬레이션, 즉 유클리드 공간에서 독립적인 상호 작용을 유지하면서 단일 객체의 SE(3) 등분산을 유지하도록 조정했습니다. Duan Chenru 확산 모델은 일부입니다. 확률론적 프로세스를 사용하여 단순 분포와 복잡한 분포 사이의 변환을 포착하는 생성 인공 지능 분야의 전문가입니다. 모델이 이 세 가지 구조가 어떻게 공존하는지에 대한 기본 분포를 학습하면 새로운 반응물과 생성물을 제공할 수 있으며 해당 반응물과 생성물에 해당하는 전이 상태 구조를 생성하려고 시도합니다

그림 : 등변 확산 모델 개요 (EDM) 분자 시스템의 샘플을 생성합니다. (출처: 논문)

이 연구에서 연구원들은 양자 컴퓨팅 방법을 사용하여 훈련 세트에서 9,000가지의 다양한 화학 반응의 반응물, 전이 상태 및 생성물의 구조를 얻었습니다. 또한 이전에 볼 수 없었던 약 1,000개의 반응을 테스트하여 각 전이 상태에 대해 40개의 가능한 구조를 생성해야 했습니다

계산 과정에서 어떤 전이 상태의 신뢰도가 가장 높은지 예측하기 위해 "권장 모델"이 도입되었습니다. 이를 바탕으로 불확실성 추정치와 결합하여 연구원들은 모델 불확실성이 가장 높은 반응의 14%에 대해서만 양자 화학 계산을 수행하여 평균 절대 오차 2.6kcal/mol을 성공적으로 달성했습니다. 이는 OA-ReactDiff를 사용하여 300°C에서 반응 속도를 추정할 때 한 자릿수 오차 내에서 결과를 허용합니다. 양자화학 계산으로 얻은 전이 상태 구조와 비교하면, OA-ReactDiff로 생성된 구조의 RMSD(Root Mean Square Error)는 0.06 옹스트롬(1나노미터의 6천분의 1) 범위에 있으며, 이는 거의 구별할 수 없는 오류 크기입니다. 육안으로

더욱 만족스러운 점은 OA-ReactDiff가 전이 상태 구조를 생성하는 데 단 6초밖에 걸리지 않는다는 점입니다. 이는 양자 화학 계산보다 최소 1000배 빠릅니다. 결과적으로, 알고리즘은 TS 구조와 반응 에너지 장벽을 계산할 때 매우 높은 정확성과 신속성을 성공적으로 달성했습니다.

Illustration: OA-ReactDiff로 생성된 TS 구조와 실제 TS 구조 간의 구조적 유사성을 평가합니다. (출처: 논문)

쿨릭 교수도 "단지 한 생각에 수천 개의 전이 상태가 생성될 수 있다는 것을 상상하기 어려웠다"고 한탄했습니다.

다시 작성해야 할 내용은 다음과 같습니다. OA-ReactDiff plus는 TS 구조의 에너지 성능을 권장합니다. (출처: Paper)

미래의 기대는 미래에 대한 기대와 희망입니다. 이는 개인의 미래 발전과 성장에 대한 비전입니다. 모든 사람은 개인적인 목표 달성, 직업적 성공 추구, 행복한 가정 이루기, 사회에 긍정적인 공헌 등 자신만의 미래 기대치를 가지고 있습니다. 미래의 기대가 어떠하든, 그것은 사람들이 열심히 일할 수 있는 동기이자 방향입니다. 노력과 끈기를 통해 우리는 점차적으로 미래의 기대를 실현하고 우리의 삶을 더 좋고 더 만족스럽게 만들 수 있습니다

다시 작성해야 할 것은 다음과 같습니다. 이 연구는 화학 반응에 3D 확산 모델을 사용한 최초의 연구입니다. 비록 연구자들이 더 적은 수의 원자(

Kulik 교수는 다음과 같이 지적했습니다. "더 큰 시스템이나 심지어 효소 촉매 시스템에 직면하더라도 원자가 재배열될 가능성이 가장 높은 다양한 방식에 대한 정보를 얻는 것이 여전히 가능합니다."

이제 연구원들은 촉매와 같은 다른 구성 요소를 추가하여 모델을 확장할 계획입니다. OA-ReactDiff는 생성 AI의 무작위성을 활용하여 예상치 못한 화학 반응을 탐색할 수 있습니다. 이 기능은 기존 화학 기반의 직관적인 반응 탐색 프레임워크를 보완하고, 보다 완전한 화학 반응 네트워크를 구축하는 데 도움을 주며, 새로운 촉매 물질의 개발 및 설계를 지원합니다. 이 분야의 연구는 특정 반응을 위한 새로운 촉매의 발견을 가속화하는 데 도움이 될 수 있습니다. 또한 그들이 제안한 알고리즘은 특히 합성에 많은 화학적 단계가 포함될 때 약물, 연료 또는 기타 유용한 화합물에 대한 새로운 프로세스를 개발하는 데 유용할 수 있습니다.

Duan Chenru 박사는 과거에는 이러한 모든 계산이 양자 화학 방법을 사용하여 수행되었지만 이제는 양자 화학을 더 빠른 생성 모델로 대체할 수 있다고 지적했습니다.

연구원들은 또한 화학 반응이 화학 연구의 핵심이라고 지적했습니다. . 산업 응용에 편향된 촉매 설계 외에도 OA-ReactDiff는 다른 행성에서 발생할 수 있는 가스 상호 작용 탐구, 지구 초기 생명체의 진화 과정 중 반응 과정 시뮬레이션 등과 같은 많은 흥미로운 잠재적 응용 분야를 가지고 있습니다.

위 내용은 AI 연금술이 화학에 혁명을 일으키다: MIT 학자들은 생성 AI를 사용하여 6초 만에 새로운 화학 반응을 생성합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!