Chercheurs de l'Université du Luxembourg, Technische Universität Berlin, et l'Institut Fritz Haber de la Société Max Planck ont ​​combiné l'apprentissage automatique et la mécanique quantique pour prédire la dynamique et les interactions atomiques dans les molécules. La nouvelle approche permet un degré de précision et d'efficacité jamais atteint auparavant.

Les simulations de dynamique moléculaire sont utilisées en sciences naturelles et des matériaux pour prédire les propriétés et le comportement de différents matériaux. Autrefois, ces simulations étaient généralement basées sur des modèles mécanistes incapables d'intégrer des informations importantes de la mécanique quantique. Cet ouvrage aujourd'hui publié dans Communication Nature améliore considérablement les capacités de prédiction de la modélisation atomistique moderne en chimie, la biologie, et les sciences des matériaux.

Connaissance exacte de la dynamique moléculaire d'une substance, en d'autres termes une connaissance précise des états et interactions possibles d'atomes isolés dans une molécule, nous permet non seulement de comprendre de nombreuses réactions chimiques et physiques, mais aussi de les exploiter. "Les techniques d'apprentissage automatique ont considérablement modifié le travail dans de nombreuses disciplines, mais jusqu'à maintenant, ils ont été peu utilisés dans les simulations de dynamique moléculaire, " dit Klaus-Robert Müller, Professeur d'apprentissage automatique à la TU Berlin. Le problème :La plupart des algorithmes standards ont été développés en tenant compte du fait que la quantité de données à traiter n'a aucune importance. "Cela ne s'applique pas, cependant, pour des calculs de mécanique quantique précis d'une molécule, où chaque point de données est crucial et le calcul individuel pour les molécules plus grosses peut prendre plusieurs semaines, voire plusieurs mois. Les énormes ressources de calcul nécessaires pour ce faire ont signifié que des simulations précises de dynamique moléculaire n'ont pas été possibles à ce jour, " explique Alexandre Tkatchenko, professeur de physique chimique théorique à l'Université du Luxembourg.

C'est précisément ce problème que les chercheurs ont désormais résolu en intégrant des lois physiques dans des techniques d'apprentissage automatique. "L'astuce consiste à ne pas calculer tous les états potentiels possibles de la dynamique moléculaire avec des techniques d'apprentissage automatique, mais seulement ceux qui ne résultent pas de lois physiques connues ou de l'application d'opérations de symétrie", explique le professeur Alexandre Tkatchenko.

D'un côté, les algorithmes nouvellement développés utilisent des symétries mathématiques naturelles au sein des molécules. Parmi les choses qu'ils reconnaissent, il y a des axes de symétrie qui n'altèrent pas les caractéristiques physiques de la molécule. Par conséquent, ces points de données ne doivent être calculés qu'une seule fois, plutôt que plusieurs fois, ce qui réduit considérablement la complexité du calcul. En outre, les techniques d'apprentissage utilisent la loi physique de la conservation de l'énergie.

Grâce à cette approche innovante consistant à permettre aux techniques d'apprentissage automatique employées d'« incorporer » des lois physiques avant d'apprendre à calculer la dynamique moléculaire, l'équipe de recherche a réussi à concilier les deux aspects contradictoires de la haute précision et de l'efficacité des données. "Ces algorithmes spéciaux permettent au processus de se concentrer sur les problèmes complexes de la simulation, plutôt que d'utiliser les performances de l'ordinateur pour la reconstruction de relations triviales entre les points de données. En tant que tel, cette recherche démontre le grand potentiel de combiner l'IA et la chimie ou d'autres sciences naturelles", Klaus-Robert Müller dit, expliquer l'importance du projet.