AI煉金術革新化學：MIT學者使用生成式AI，六秒鐘產生新化學反應

需要重新書寫的是：編輯| 凱霞

化學從古代的「等價交換」煉金術開始，一直是一門研究和控制物質間相互作用的學科。透過不斷解鎖和利用新的化學反應，人們開發了許多新材料。這些新材料不僅為人們的生活帶來便利，也提高了能源利用效率，促進了永續發展

一個基元化學反應由反應物，過渡態（TS），生成物三者構成。過渡態是化學中至關重要的 3D 結構，被廣泛用於理解化學反應機制、估算反應能障礙以及探索龐大的反應網絡。然而，由於其在反應過程中存在的時間極短（飛秒量級），實驗中幾乎不可能分離和表徵過渡態。

重寫後的內容：通常情況下，人們會使用量子化學的計算方法，透過反覆求解薛丁格方程式來確定已知反應物和生成物之間的過渡態。然而，這種計算方法非常昂貴，並且以其經常失敗而臭名昭著。同時，此方法受限於個人的經驗直覺和計算所需的資源，每個人所能探索的化學反應也是有限的。這種限制在研究未知的複雜反應時尤其致命。它會導致研究者忽略一些潛在可能發生的反應，從而誤判反應機理，進而影響催化材料設計的思路

針對這一問題，麻省理工學院（MIT）的一組研究人員開發出了一種基於機器學習的替代方法，能夠在幾秒鐘內發現這些結構。他們的新模型可以協助化學家探索和設計新的反應和催化劑，從而產生高附加價值的有用產品，例如燃料化合物或藥物。此外，該模型還能夠模擬自然發生的化學反應，例如那些推動早期地球上生命演化的關鍵反應。

MIT 化學工程和化學教授Heather Kulik 指出，了解過渡態的具體結構對於設計催化劑或了解自然系統如何執行某些轉化是非常重要的

相關研究工作以「Accurate transition state generation with an object-aware equivariant elementary reaction diffusion model」為題發表在國際頂級期刊《Nature Computational Science》上。

麻省理工學院的段辰儒博士是該論文的第一作者，康乃爾大學的博士生杜滄豈、麻省理工學院的博士生賈皓鈞以及麻省理工學院的Heather Kulik教授是該論文的共同作者。原文連結：[https://rdcu.be/dtGSF]

請點擊以下連結查看論文：https://www.nature.com/articles/s43588- 023-00563-7

麻省理工學院新聞也對這項研究進行了報告

#報告連結：https://news.mit. edu/2023/computational-model-captures-elusive-transition-states-1215

需要重寫的內容是：理論困難

目前，化學家可以使用基於密度泛函理論的量子化學計算方法來計算過渡態。然而，這種方法需要大量的計算資源，需要數小時甚至數天才能完成一個過渡態的計算

為了解決計算時間長的問題，一些研究人員最近開始嘗試使用機器學習模型來發現過渡態結構。然而，迄今為止幾乎所有開發的模型都要求將兩個反應物建模為一個整體，而反應物之間相對於彼此則保持特定的幾何構型（conformation）。任何其他可能的構型都會被機器學習模型誤認為是一個新的反應

段辰儒博士表示，如果反應物分子被旋轉，從原理上講，在旋轉之前和之後它們仍然可以經歷相同的化學反應。就像我們在談論電解水時，只會說水在特定條件下轉換為氧氣和氫氣，而不會描述這些分子的相對幾何位置。但在傳統的機器學習方法中，模型將把反應物和生成物在不同幾何位置的反應視為兩個不同的反應。這使得機器學習訓練變得更加困難，準確性也會隨之下降

擴散模型是一種生成式模型，已經被廣泛應用於影像處理。最近，擴散模型也被用於產生3D分子和蛋白質結構，蛋白質-配體對接和基於結構的藥物設計。在這些應用中，擴散模型使用3D特殊歐幾里德群(SE(3))圖神經網路(GNNs)來維持分子的排列、平移和旋轉對稱性。然而，基元反應由反應物、過渡態和產物組成，遵循的是"物體感知"的SE(3)對稱性。這是因為基元反應中三個物體之間的相互作用不是在3D歐幾里德空間中進行的，而是在更高維的電子勢能面(potential energy surface)上的因果聯繫。因此，現有的基於SE(3) GNN的擴散模型可能會因為破壞對稱性而有問題

圖示：「物件感知」SE(3) 等變及其基於SE(3) 等變GNN 的實作。 （資料來源：論文）

解決方案

麻省理工學院的團隊根據上述問題開發了一種名為「OA-ReactDiff」的新方法。該團隊將SE(3)等變GNN調整為「物件感知」模擬，即在保持單一物件的SE(3)等變性的同時，保持它們在歐幾裡得空間中的獨立相互作用

段辰儒博士說，擴散模型是生成式人工智慧領域的一部分，它透過隨機過程來捕捉簡單分佈和複雜分佈之間的轉換過程。一旦模型學會了這三種結構如何共存的基本分佈，我們可以給它新的反應物和生成物，它將嘗試生成與這些反應物和生成物相對應的過渡態結構

#圖示：用於產生分子系統取樣的等變擴散模型(EDM) 概述。 （資料來源：論文）

在研究中，研究人員利用量子計算方法在訓練集中得到了9,000種不同化學反應的反應物、過渡態和生成物的結構。並且還對約1,000個之前未見過的反應進行了測試，要求為每個過渡態生成40種可能的結構

在計算的過程中，透過引入「推薦模型」來預測哪個過渡態的置信度最高。在此基礎上，進一步結合不確定性估計，研究人員只對模型不確定性最高的14%的反應執行量子化學計算，成功實現了2.6 kcal/mol的平均絕對誤差。這使得在使用OA-ReactDiff估算300°C的反應速率時，可以得到一個數量級誤差範圍內的結果。與量子化學計算得到的過渡態結構相比，OA-ReactDiff產生的結構的均方根誤差(RMSD)在0.06埃（千分之六奈米）範圍內，這個誤差量級在肉眼中幾乎不可區分

更令人欣喜的是OA-ReactDiff 產生一個過渡態結構只需要6 秒，比起量子化學計算至少加速了1000 倍。由此，該演算法成功實現了對 TS 結構和反應能壘計算的極高準確性和快速性。

圖示：評估 OA-ReactDiff 產生的 TS 結構與真實 TS 結構的結構相似性。 （資料來源：論文）

Kulik 教授也感慨道，「之前我們很難想像在一念之間就能生成數千個過渡態。」

需要重寫的內容是：圖示：OA-ReactDiff plus 推薦TS 結構的能量表現。 （資料來源：論文）

未來期許是對未來的期待與希望。它是一個人對自己未來發展和成長的願景。每個人都有自己的未來期許，它可以是實現個人目標、追求事業成功、建立幸福家庭，或是為社會做出正面貢獻等等。無論未來期許是什麼，它都是人們努力奮鬥的動力與方向。透過努力和堅持，我們可以逐漸實現自己的未來期許，讓自己的生活變得更加美好和充實

What needs to be rewritten is: 這個研究是首次在化學反應中使用3D擴散模型。儘管研究人員只研究了較小數量的原子化合物，但這項工作的意義不可忽視

Kulik教授指出：「即使面對更大的系統甚至是酶催化的系統，仍然可以得到關於原子最有可能重新排列的不同方式。」

研究人員現在計劃加入其他組分來擴展他們的模型，例如催化劑。借助生成式 AI 的隨機性，OA-ReactDiff 可以探索到意料之外的化學反應。這個特點彌補了現有基於化學的直覺反應探索框架，幫助建立更完整的化學反應網絡，幫助研發設計新型催化材料。這方面的研究可以幫助他們加速發掘特定反應的新的催化劑。此外，他們提出的演算法對於開發藥物、燃料或其他有用化合物的新過程可能非常有用，尤其是當合成涉及許多化學步驟時。

段辰儒博士指出，以往所有這些計算都是使用量子化學方法進行的，但現在我們可以透過更快的生成模型來取代量子化學

研究人員也指出，化學反應是化學研究的核心。除了偏向工業應用的催化劑設計，OA-ReactDiff還有許多有趣的潛在應用，例如探索可能發生在其他行星上的氣體相互作用，模擬地球早期生命演化過程中的反應過程等等

以上是AI煉金術革新化學：MIT學者使用生成式AI，六秒鐘產生新化學反應的詳細內容。更多資訊請關注PHP中文網其他相關文章！