Un nouveau modèle prédit le point de non-retour d'une réaction chimique
Les chimistes pourraient utiliser cette méthode de calcul rapide pour concevoir des réactions plus efficaces permettant d'obtenir des composés utiles, qu'il s'agisse de carburants ou de produits pharmaceutiques
Lorsque les chimistes conçoivent de nouvelles réactions chimiques, l'une des informations utiles concerne l'état de transition de la réaction, c'est-à-dire le point de non-retour à partir duquel une réaction doit se produire.
Cette information permet aux chimistes d'essayer de produire les conditions adéquates qui permettront à la réaction souhaitée de se produire. Cependant, les méthodes actuelles pour prédire l'état de transition et le chemin que prendra une réaction chimique sont compliquées et nécessitent une énorme puissance de calcul.
Des chercheurs du MIT ont mis au point un modèle d'apprentissage automatique capable de faire ces prédictions en moins d'une seconde, avec une grande précision. Ce modèle pourrait permettre aux chimistes de concevoir plus facilement des réactions chimiques susceptibles de générer divers composés utiles, tels que des produits pharmaceutiques ou des carburants.
"Nous aimerions être en mesure de concevoir des processus permettant de transformer des ressources naturelles abondantes en molécules dont nous avons besoin, telles que des matériaux et des médicaments thérapeutiques. La chimie computationnelle est vraiment importante pour comprendre comment concevoir des processus plus durables pour passer des réactifs aux produits", explique Heather Kulik, professeur de génie chimique Lammot du Pont, professeur de chimie et auteur principal de la nouvelle étude.
L'ancien étudiant diplômé du MIT Chenru Duan PhD '22, qui travaille maintenant chez Deep Principle, l'ancien étudiant diplômé de Georgia Tech Guan-Horng Liu, qui travaille maintenant chez Meta, et l'étudiant diplômé de l'université de Cornell Yuanqi Du sont les auteurs principaux de l'article.
De meilleures estimations
Pour qu'une réaction chimique se produise, elle doit passer par un état de transition, qui se produit lorsqu'elle atteint le seuil d'énergie nécessaire pour que la réaction ait lieu. Ces états de transition sont si fugaces qu'il est pratiquement impossible de les observer expérimentalement.
En guise d'alternative, les chercheurs peuvent calculer les structures des états de transition à l'aide de techniques basées sur la chimie quantique. Toutefois, ce processus nécessite une grande puissance de calcul et peut prendre des heures ou des jours pour calculer un seul état de transition.
"Idéalement, nous aimerions pouvoir utiliser la chimie computationnelle pour concevoir des processus plus durables, mais ce calcul en lui-même est une énorme consommation d'énergie et de ressources pour trouver ces états de transition", explique M. Kulik.
En 2023, Kulik, Duan et d'autres chercheurs ont présenté une stratégie d'apprentissage automatique qu'ils ont mise au point pour prédire les états de transition des réactions. Cette stratégie est plus rapide que l'utilisation de techniques de chimie quantique, mais reste plus lente que ce qui serait idéal, car le modèle doit générer environ 40 structures, puis faire passer ces prédictions par un "modèle de confiance" afin de prédire quels états sont les plus susceptibles de se produire.
L'une des raisons pour lesquelles ce modèle doit être exécuté autant de fois est qu'il utilise des suppositions générées au hasard pour le point de départ de la structure de l'état de transition, puis effectue des dizaines de calculs jusqu'à ce qu'il parvienne à sa meilleure supposition finale. Ces points de départ générés au hasard peuvent être très éloignés de l'état de transition réel, ce qui explique le nombre d'étapes nécessaires.
Le nouveau modèle des chercheurs, React-OT, décrit dans l'article de Nature Machine Intelligence, utilise une stratégie différente. Dans ce travail, les chercheurs ont entraîné leur modèle à partir d'une estimation de l'état de transition générée par interpolation linéaire - une technique qui estime la position de chaque atome en le déplaçant à mi-chemin entre sa position dans les réactifs et dans les produits, dans l'espace tridimensionnel.
"Une supposition linéaire est un bon point de départ pour estimer où cet état de transition aboutira", explique M. Kulik. "Ce que fait le modèle, c'est partir d'une supposition initiale bien meilleure qu'une supposition totalement aléatoire, comme dans les travaux antérieurs.
De ce fait, le modèle prend moins d'étapes et moins de temps pour générer une prédiction. Dans la nouvelle étude, les chercheurs ont montré que leur modèle pouvait faire des prédictions en seulement cinq étapes, ce qui prend environ 0,4 seconde. Ces prédictions n'ont pas besoin d'être alimentées par un modèle de confiance, et elles sont environ 25 % plus précises que les prédictions générées par le modèle précédent.
"Cela fait de React-OT un modèle pratique que nous pouvons directement intégrer au flux de travail informatique existant dans le criblage à haut débit pour générer des structures d'état de transition optimales", déclare Duan.
"Un large éventail de produits chimiques
Pour créer React-OT, les chercheurs l'ont entraîné sur le même ensemble de données que celui qu'ils avaient utilisé pour entraîner leur ancien modèle. Ces données contiennent les structures des réactifs, des produits et des états de transition, calculées à l'aide de méthodes de chimie quantique, pour 9 000 réactions chimiques différentes, impliquant principalement de petites molécules organiques ou inorganiques.
Une fois entraîné, le modèle a obtenu de bons résultats avec d'autres réactions de cet ensemble, qui n'avaient pas été incluses dans les données d'entraînement. Il a également obtenu de bons résultats avec d'autres types de réactions pour lesquelles il n'avait pas été entraîné, et a pu faire des prédictions précises concernant des réactions avec des réactifs plus importants, qui ont souvent des chaînes latérales qui ne sont pas directement impliquées dans la réaction.
"C'est important parce qu'il y a beaucoup de réactions de polymérisation où il y a une grosse macromolécule, mais la réaction se produit dans une seule partie. Le fait de disposer d'un modèle qui se généralise à différentes tailles de systèmes signifie qu'il peut s'attaquer à un large éventail de produits chimiques", explique M. Kulik.
Les chercheurs travaillent actuellement à l'entraînement du modèle afin qu'il puisse prédire les états de transition pour les réactions entre molécules comprenant d'autres éléments, notamment le soufre, le phosphore, le chlore, le silicium et le lithium.
L'équipe du MIT espère que d'autres scientifiques utiliseront son approche pour concevoir leurs propres réactions, et a créé une application à cet effet.
"Chaque fois que vous avez un réactif et un produit, vous pouvez les introduire dans le modèle et celui-ci génère l'état de transition, à partir duquel vous pouvez estimer la barrière énergétique de la réaction envisagée et voir quelle est la probabilité qu'elle se produise", explique M. Duan.
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
Autres actualités du département science
