Comme la chimie est devenue plus avancée et les réactions chimiques plus complexes, il n'est plus toujours pratique pour les chercheurs de s'asseoir sur une paillasse de laboratoire et de commencer à mélanger des produits chimiques pour voir ce qu'ils peuvent trouver.

Tom Miller, un professeur de chimie à Caltech; Matt Welborn, un chercheur postdoctoral au Resnick Sustainability Institute; et Lixue Cheng, un étudiant diplômé en chimie et génie chimique, ont développé un nouvel outil qui utilise l'apprentissage automatique pour prédire les réactions chimiques bien avant que les réactifs n'atteignent le tube à essai.

Ce n'est pas le premier outil informatique développé pour faire des prédictions chimiques, mais il améliore ce qui est déjà utilisé, et c'est important parce que ce genre de prédictions a un grand impact sur le terrain.

"Ils nous permettent de relier les propriétés microscopiques sous-jacentes aux choses qui nous intéressent dans le monde macroscopique, " dit Miller. "Ces prédictions nous permettent de savoir à l'avance si un catalyseur sera plus performant qu'un autre et d'identifier de nouveaux candidats médicaments."

Ils nécessitent également beaucoup de travail informatique. Miller souligne qu'une fraction substantielle de tout le temps d'un supercalculateur sur Terre est consacrée aux prédictions chimiques, les gains d'efficacité peuvent donc faire économiser beaucoup de temps et d'argent aux chercheurs.

Les travaux des chercheurs de Caltech fournissent essentiellement un changement d'orientation pour les logiciels de prédiction. Les outils précédents étaient basés sur trois méthodes de modélisation informatique connues sous le nom de théorie fonctionnelle de la densité (DFT), théorie des clusters couplés (CC), ou théorie des perturbations de Møller-Plesset (MP2). Ces théories représentent trois approches différentes pour approximer une solution à l'équation de Schrödinger, qui décrit des systèmes complexes dans lesquels la mécanique quantique joue un grand rôle.

Chacune de ces théories a ses propres avantages et inconvénients. La DFT est en quelque sorte une approche rapide et grossière qui donne aux chercheurs des réponses plus rapidement mais avec moins de précision. CC et MP2 sont beaucoup plus précis mais prennent plus de temps à calculer et utilisent beaucoup plus de puissance de calcul.

Meunier, Cheng, et l'outil de Welborn enfile l'aiguille, leur donnant accès à des prédictions plus précises que celles créées avec DFT et en moins de temps que CC et MP2 peuvent offrir. Pour ce faire, ils concentrent leur algorithme d'apprentissage automatique sur les propriétés des orbitales moléculaires, le nuage d'électrons autour d'une molécule. Des outils déjà existants, en revanche, se concentrer sur les types d'atomes dans une molécule ou les angles auxquels les atomes sont liés ensemble.

Jusque là, leur approche est très prometteuse, bien qu'il n'ait été utilisé que pour faire des prédictions sur des systèmes relativement simples. Le vrai test, Miller dit, est de voir comment il se comportera sur des problèmes chimiques plus complexes. Toujours, il est optimiste sur la base des résultats préliminaires.

"Si nous pouvons faire en sorte que cela fonctionne, ce sera un gros problème pour la façon dont les ordinateurs sont utilisés pour étudier les problèmes chimiques, " dit-il. " Nous sommes très excités à ce sujet. "

Le travail est décrit dans un article intitulé "Transferability in Machine Learning for Electronic Structure via the Molecular Orbital Basis" publié dans le Journal de théorie chimique et de calcul .