Les configurations 3D des atomes dictent toutes les propriétés des matériaux. Prédictions quantitatives de structures d'équilibre précises, Coordonnées 3D de tous les atomes, à partir d'un graphique chimique, une représentation de la formule développée, est une tâche difficile et coûteuse en calcul qui est au début de pratiquement tous les flux de travail de chimie computationnelle. Des chercheurs de l'Université de Vienne ont maintenant développé un nouveau modèle basé sur l'apprentissage automatique pour raccourcir les calculs coûteux afin de prédire directement les structures à partir de graphiques. La nouvelle méthode pour « les prédictions de structure sans énergie basées sur l'apprentissage machine de molécules, états de transition, et solides" est présenté dans le dernier numéro de Communication Nature .

Bien que généralement décrit comme rigide, les composés chimiques sont des objets tridimensionnels flexibles constitués d'atomes qui se déplacent et oscillent continuellement. Cyrus Levinthal notait déjà en 1969 que la grande quantité de degrés de liberté des composés chimiques conduit formellement à un nombre catastrophique de conformations possibles jusqu'à 10, 300 (Paradoxe de Levinthal). Dans les observations expérimentales, cependant, Les configurations 3D des atomes correspondent à des minima d'énergie libre bien définis et dictent ainsi toutes les propriétés des matériaux. Le paradigme selon lequel la structure détermine la fonction est essentiel pour déterminer les interactions médicamenteuses, optimisation de catalyseurs ou de réactions, et découverte des matériaux. En conséquence, dans la plupart des campagnes de criblage informatique à haut débit (une méthode d'expérimentation scientifique rapide), seules les configurations les plus stables sont recherchées. Selon le niveau de sophistication des approximations faites lors de l'estimation des stabilités des matériaux, le coût de calcul peut varier de quelques minutes à des heures ou même des jours pour le calcul d'une seule structure. Étant donné l'immensité de l'espace composé chimique, l'espace peuplé de tous les composés imaginables (estimé à plus de 1, 060) ce compromis coût-qualité représente un goulot d'étranglement majeur dans le domaine.

Des chercheurs de l'Université de Vienne dirigés par Anatole von Lilienfeld ont abordé ce problème sous un angle différent, développer une nouvelle méthode qui exploite les données et qui est universellement applicable à tout type de chimie. Leur nouvelle méthode, Graph2Structure, utilise des données de chimie quantique de haute qualité afin de former des modèles d'apprentissage automatique capables de prédire de nouvelles structures 3D pour les graphiques moléculaires de composés invisibles. Cette cartographie directe d'un graphe moléculaire à une configuration 3D spécifique permet au modèle de contourner efficacement toute forme de minimisation d'énergie, conduisant à une accélération de plus d'un million par rapport aux méthodes conventionnelles. « La possibilité de générer des structures de haute qualité n'accélère pas seulement la conception moléculaire à haut débit, mais accélère également le flux de travail quotidien, " déclare l'auteur principal de l'étude en Communication Nature Dominique Lemm. "Générer de manière fiable des structures 3D pour les chimies même exotiques, tels que les systèmes à coque ouverte ou les états de transition, est l'une des tâches les plus difficiles de la simulation atomistique."

D'autres résultats suggèrent que les structures générées peuvent directement être utilisées comme entrée pour l'évaluation ultérieure des modèles de prédiction de propriété basés sur l'apprentissage automatique, reliant ainsi un graphe moléculaire à une propriété dépendante de la structure d'une manière rigoureuse et plus efficace.