OrbNet traite les simulations de chimie quantique beaucoup plus rapidement qu'auparavant, permettant la manipulation en temps réel des molécules dans le programme. Crédit :Entos Inc.
Chimie quantique, l'étude des propriétés chimiques et des processus à l'échelle quantique, a ouvert de nombreuses voies de recherche et de découverte en chimie moderne. Sans jamais manipuler un bécher ou une éprouvette, les chimistes peuvent faire des prédictions sur les propriétés d'un atome ou d'une molécule donnée et sur la façon dont il subira des réactions chimiques en étudiant sa structure électronique - comment ses électrons sont disposés en orbitales - et comment ces électrons interagissent avec ceux d'autres composés ou atomes.
Cependant, aussi puissante que la chimie quantique s'est montrée, il a également un gros inconvénient :des calculs précis sont gourmands en ressources et en temps, avec des études chimiques de routine impliquant des calculs qui prennent des jours ou plus.
Maintenant, grâce à un nouvel outil de chimie quantique utilisant le machine learning, les calculs de chimie quantique peuvent être effectués 1, 000 fois plus rapide qu'auparavant, permettant d'effectuer des recherches précises en chimie quantique plus rapidement que jamais.
L'outil, appelé OrbNet, a été développé grâce à un partenariat entre Tom Miller de Caltech, professeur de chimie, et Anima Anandkumar, Professeur Bren d'informatique et de sciences mathématiques.
« En chimie quantique, il y a eu une interaction pénalisante entre l'exactitude du calcul et le temps qu'il prend, " Miller dit. " Vous commenceriez un calcul, et dirait, 'Bien, on se voit mardi.' Mais maintenant, les calculs peuvent être effectués de manière interactive."
OrbNet utilise un réseau de neurones graphiques, un type de système d'apprentissage automatique qui représente l'information sous forme de « nœuds, " qui contiennent des données, et "bords, " qui représentent les manières dont ces morceaux de données sont liés les uns aux autres.
Miller dit qu'OrbNet fonctionne aussi bien grâce à une innovation dans la façon dont les atomes et les molécules sont mappés sur le réseau de neurones du graphe basé sur l'équation de Schrödinger, une partie des mathématiques au cœur de la mécanique quantique.
"Les architectures de graphes précédentes avaient organisé les atomes en nœuds et les liaisons entre les atomes en arêtes, mais ce n'est pas la façon dont la chimie quantique pense, " dit-il. " Alors, au lieu, nous avons construit un graphe où les nœuds sont les orbitales électroniques, et les bords sont des interactions entre les orbitales. Cela a un lien beaucoup plus naturel avec l'équation de Schrödinger."
Comme tous les systèmes d'apprentissage automatique, OrbNet doit être formé pour effectuer une tâche assignée, semblable à la façon dont une personne qui obtient un nouvel emploi doit être formée pour cela. OrbNet a appris à prédire les propriétés moléculaires sur la base de calculs précis de mécanique quantique de référence. Anandkumar, dont les recherches portent sur l'apprentissage automatique, a aidé à concevoir et à optimiser la mise en œuvre du réseau de neurones graphiques.
« Orbnet est un excellent exemple de modèle d'apprentissage en profondeur qui utilise des fonctionnalités spécifiques à un domaine :dans ce cas, orbitales moléculaires. Cela permet au modèle d'apprentissage automatique d'effectuer avec précision les calculs sur des molécules beaucoup plus grosses, jusqu'à 10 fois plus grand, que les molécules présentes dans les données d'entraînement, " dit Anandkumar. " Pour un modèle standard d'apprentissage en profondeur, une telle extrapolation est impossible puisqu'elle n'apprend à interpoler que sur les données d'apprentissage. Tirer parti de la connaissance du domaine des orbitales moléculaires était essentiel pour nous pour parvenir à la transférabilité à des molécules plus grosses.
Actuellement, OrbNet a été formé sur environ 100, 000 molécules, ce qui, selon Miller, lui permet d'effectuer de nombreux calculs utiles pour les chercheurs, mais les efforts en cours visent à l'adapter à de plus grands ensembles de données de formation.
"La prédiction des propriétés moléculaires présente de nombreux avantages pratiques. Par exemple, OrbNet peut être utilisé pour prédire la structure des molécules, la manière dont ils réagiront, s'ils sont solubles dans l'eau, ou comment ils vont se lier à une protéine, " il dit.
Miller dit que les travaux futurs sur OrbNet se concentreront sur l'élargissement de la gamme de tâches pour lesquelles il peut être utilisé grâce à une formation supplémentaire.
"Nous avons démontré que cela fonctionne pour un petit coin de la chimie organique, mais rien ne nous empêche d'étendre l'approche à d'autres domaines d'application, " il dit.
L'article décrivant OrbNet, titré, "OrbNet :Apprentissage approfondi pour la chimie quantique à l'aide de caractéristiques atomiques-orbitales adaptées à la symétrie, " a été publié dans le Journal de physique chimique le 25 septembre et sélectionné comme choix de l'éditeur.