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 des processus réactifs dans un ensemble diversifié de matériaux et de conditions organiques.

"C'est 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 proposer une simulation complète des mécanismes de réaction."

Zhang est le premier auteur de l'article expliquant la création et les résultats de ce nouveau modèle d'apprentissage automatique intitulé "Explorer les frontières de la chimie avec un potentiel général d'apprentissage automatique réactif", publié dans Nature Chemistry. .

Bien que les chercheurs aient déjà simulé des réactions, les méthodes précédentes présentaient de nombreux problèmes. Les modèles de champ de force réactive 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 n'importe quel matériau et molécule, mais ces modèles nécessitent l'utilisation de superordinateurs.

Ce nouveau potentiel interatomique général d'apprentissage automatique (ANI-1xnr) peut effectuer des simulations pour des matériaux arbitraires contenant les éléments carbone, hydrogène, azote et oxygène et nécessite beaucoup moins de puissance et de temps de calcul que les modèles de mécanique quantique traditionnels. Selon Olexandr Isayev, professeur agrégé de chimie à Carnegie Mellon et chef du laboratoire où le modèle a été développé, cette avancée est due aux développements de l'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 théorie de la mécanique quantique et peuvent prédire avec succès les énergies et les forces avec une précision mécanique quantique et une augmentation de la vitesse allant jusqu'à 6 à 7 ordres de grandeur. Il s'agit d'une nouvelle approche. paradigme dans les simulations réactives."

Les chercheurs ont testé ANI-1xnr sur différents problèmes chimiques, notamment en comparant les additifs pour biocarburants et en suivant la combustion du méthane. Ils ont même recréé l’expérience Miller, une célèbre expérience chimique destinée à démontrer l’origine de la vie sur Terre. Grâce à cette expérience, ils ont découvert que le modèle ANI-1xnr produisait des résultats précis dans les systèmes à phase condensée.

Zhang a déclaré que le modèle pourrait potentiellement être utilisé dans d'autres domaines de la chimie avec une formation complémentaire.

"Nous avons découvert qu'il pouvait potentiellement être utilisé pour simuler des processus biochimiques tels que des réactions enzymatiques", a déclaré Zhang. "Nous ne l'avons pas conçu pour être utilisé de cette manière, mais après modification, il pourra 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 tentera d’augmenter l’échelle des réactions qu’il peut traiter. Cela pourrait lui permettre d'être utilisé dans de multiples domaines où la conception de nouvelles réactions chimiques pourrait être pertinente, comme la découverte de médicaments.

Zhang et Isayev ont été rejoints par Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly et Justin S. Smith dans cette étude.

Plus d'informations : Explorer les frontières de la chimie avec un potentiel général d'apprentissage automatique réactif, Nature Chemistry (2024). DOI :10.1038/s41557-023-01427-3

Informations sur le journal : Chimie naturelle

Fourni par l'Université Carnegie Mellon