Des chercheurs développent une nouvelle méthode d'apprentissage automatique pour la modélisation des réactions chimiques
Des chercheurs de l'université Carnegie Mellon et du laboratoire national de Los Alamos ont utilisé l'apprentissage automatique pour créer un modèle capable de simuler les processus réactifs dans un ensemble varié de matériaux organiques et de conditions.
"Il s'agit d'un outil qui peut être utilisé pour étudier davantage de réactions dans ce domaine", a déclaré Shuhao Zhang, étudiant diplômé du département de chimie de l'université Carnegie Mellon. "Nous pouvons offrir une simulation complète des mécanismes de réaction.
Zhang est le premier auteur de l'article qui explique la création et les résultats de ce nouveau modèle d'apprentissage automatique, "Exploring the Frontiers of Chemistry with a General Reactive Machine Learning Potential", qui sera publié dans Nature Chemistry le 7 mars.
Bien que les chercheurs aient déjà simulé des réactions, les méthodes précédentes présentaient de nombreux problèmes. Les modèles de champs de force réactifs sont relativement courants, mais ils nécessitent généralement une formation pour des types de réaction spécifiques. Les modèles traditionnels qui utilisent la mécanique quantique, où les réactions chimiques sont simulées sur la base de la physique sous-jacente, peuvent être appliqués à tous les matériaux et à toutes les molécules, mais ces modèles nécessitent l'utilisation de superordinateurs.
Ce nouveau potentiel interatomique d'apprentissage automatique général (ANI-1xnr) peut effectuer des simulations pour des matériaux arbitraires contenant les éléments carbone, hydrogène, azote et oxygène et nécessite beaucoup moins de puissance de calcul et de temps que les modèles traditionnels de mécanique quantique. Selon Olexandr Isayev, professeur agrégé de chimie à Carnegie Mellon et directeur du laboratoire où le modèle a été développé, cette avancée est due aux développements en matière d'apprentissage automatique.
"L'apprentissage automatique apparaît comme une approche puissante pour construire diverses formes de potentiels atomistiques transférables à l'aide d'algorithmes de régression. L'objectif global de ce projet est de développer une méthode d'apprentissage automatique capable de prédire l'énergie et les taux de réaction pour les processus chimiques avec une grande précision, mais avec un coût de calcul très faible", a déclaré Isayev. "Nous avons montré que ces modèles d'apprentissage automatique peuvent être formés à des niveaux élevés de la théorie de la mécanique quantique et qu'ils peuvent prédire avec succès les énergies et les forces avec la précision de la mécanique quantique et une augmentation de la vitesse de 6 à 7 ordres de grandeur. Il s'agit d'un nouveau paradigme dans les simulations réactives".
Les chercheurs ont testé ANI-1xnr sur différents problèmes chimiques, notamment la comparaison d'additifs pour biocarburants et le suivi de la combustion du méthane. Ils ont même recréé l'expérience Miller, une célèbre expérience chimique destinée à démontrer comment la vie est apparue sur Terre. Cette expérience leur a permis de constater que le modèle ANI-1xnr produisait des résultats précis dans les systèmes en phase condensée.
Zhang a déclaré que le modèle pourrait potentiellement être utilisé dans d'autres domaines de la chimie avec une formation plus poussée.
"Nous avons découvert qu'il pouvait être utilisé pour simuler des processus biochimiques tels que les réactions enzymatiques", a déclaré Zhang. "Nous ne l'avons pas conçu pour une telle utilisation, mais après modification, il pourrait être utilisé à cette fin.
À l'avenir, l'équipe prévoit d'affiner ANI-1xnr et de lui permettre de travailler avec plus d'éléments et dans plus de domaines chimiques, et elle essaiera d'augmenter l'échelle des réactions qu'il peut traiter. Cela pourrait lui permettre d'être utilisé dans de nombreux domaines où la conception de nouvelles réactions chimiques peut être utile, comme la découverte de médicaments.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Shuhao Zhang, Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Olexandr Isayev, Nicholas Lubbers, Richard A. Messerly, Justin S. Smith; "Exploring the frontiers of condensed-phase chemistry with a general reactive machine learning potential"; Nature Chemistry, 2024-3-7
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
