Wenn Chemiker neue chemische Reaktionen entwerfen, beinhaltet eine nützliche Data den Übergangszustand der Reaktion – der Punkt ohne Rückkehr, aus dem eine Reaktion erfolgen muss.
Diese Informationen ermöglichen es Chemikern, zu versuchen, die richtigen Bedingungen zu erzeugen, die die gewünschte Reaktion ermöglichen. Die aktuellen Methoden zur Vorhersage des Übergangszustands und des Weges, den eine chemische Reaktion einnimmt, sind jedoch kompliziert und erfordern eine große Menge an Rechenleistung.
MIT-Forscher haben jetzt ein maschinelles Lernmodell entwickelt, das diese Vorhersagen in weniger als einer Sekunde mit hoher Genauigkeit treffen kann. Ihr Modell könnte es Chemikern erleichtern, chemische Reaktionen zu entwerfen, die eine Vielzahl nützlicher Verbindungen wie Arzneimittel oder Brennstoffe erzeugen.
„Wir möchten in der Lage sein, Prozesse letztendlich zu entwerfen, um reichlich natürliche Ressourcen zu erfassen und sie in Moleküle zu verwandeln, die wir benötigen, wie Materialien und therapeutische Medikamente. Die Computerchemie ist wirklich wichtig, um herauszufinden, wie nachhaltigeres Prozesse von Reaktanten zu Produkten gestaltet werden kann.
Der frühere MIT -Doktorand Chenru Duan PhD ’22, der jetzt im tiefen Prinzip ist; ehemaliger Studentin der Georgia Tech, Guan-Horng Liu, der jetzt bei Meta ist; und Doktorandin der Cornell College, Yuanqi DU, sind die Hauptautoren der Zeitung, die erscheint heute in Nature Machine Intelligence.
Bessere Schätzungen
Damit eine bestimmte chemische Reaktion auftritt, muss es einen Übergangszustand durchlaufen, der stattfindet, wenn es den Energieschwelle erreicht, der für die Reaktion erforderlich ist, um fortzufahren. Diese Übergangszustände sind so flüchtig, dass sie experimentell quick unmöglich sind, zu beobachten.
Various können Forscher die Strukturen von Übergangszuständen unter Verwendung von Techniken berechnen, die auf der Quantenchemie basieren. Dieser Prozess erfordert jedoch viel Rechenleistung und kann Stunden oder Tage dauern, um einen einzelnen Übergangszustand zu berechnen.
„Idealerweise möchten wir in der Lage sein, die Computerchemie zu verwenden, um nachhaltigere Prozesse zu entwickeln, aber diese Berechnung an sich ist eine enorme Nutzung von Energie und Ressourcen bei der Suche nach diesen Übergangszuständen“, sagt Kulik.
Im Jahr 2023, Kulik, Duan und andere gemeldet Auf einer maschinellen Lernstrategie, die sie entwickelten, um die Übergangszustände von Reaktionen vorherzusagen. Diese Strategie ist schneller als die Verwendung von Quantenchemie -Techniken, aber immer noch langsamer als das ideale, da das Modell etwa 40 Strukturen erzeugt und diese Vorhersagen durch ein „Konfidenzmodell“ durchführt, um vorherzusagen, welche Zustände am wahrscheinlichsten auftreten.
Ein Grund, warum dieses Modell so oft ausgeführt werden muss, ist, dass es zufällig generierte Vermutungen für den Ausgangspunkt der Übergangszustandsstruktur verwendet und dann Dutzende von Berechnungen durchführt, bis es seine endgültige, beste Vermutung erreicht. Diese zufällig erzeugten Ausgangspunkte sind möglicherweise weit vom tatsächlichen Übergangszustand entfernt, weshalb so viele Schritte erforderlich sind.
Das neue Modell der Forscher, React-OT, beschrieben in der Nature Machine Intelligence Papier verwendet eine andere Strategie. In dieser Arbeit schulten die Forscher ihr Modell aus, um von einer Schätzung des durch linearen Interpolation erzeugten Übergangszustands zu beginnen-eine Technik, die die Place jedes Atoms durch die Mitte seiner Place in den Reaktanten und in den Produkten im dreidimensionalen Raum schätzt.
„Eine lineare Vermutung ist ein guter Ausgangspunkt für die Annäherung, wo dieser Übergangszustand enden wird“, sagt Kulik. „Was das Modell tut, beginnt von einer viel besseren ersten Vermutung als nur eine völlig zufällige Vermutung, wie in der vorherigen Arbeit.“
Aus diesem Grund benötigt es das Modell weniger Schritte und weniger Zeit, um eine Vorhersage zu generieren. In der neuen Studie zeigten die Forscher, dass ihr Modell Vorhersagen mit nur etwa fünf Schritten machen könnte, was etwa 0,4 Sekunden dauert. Diese Vorhersagen müssen nicht durch ein Konfidenzmodell gefüttert werden, und sie sind etwa 25 Prozent genauer als die Vorhersagen, die vom Vorgängermodell erzeugt werden.
„Das macht React-OT-Modell wirklich zu einem praktischen Modell, das wir direkt in den vorhandenen Rechenworkflow in Hochdurchsatz-Screening integrieren können, um optimale Strukturen des Übergangszustands zu erzeugen“, sagt Duan.
„Eine breite Palette von Chemie“
Um React-OT zu erstellen, trainierten die Forscher es auf demselben Datensatz, mit dem sie ihr älteres Modell trainierten. Diese Daten enthalten Strukturen von Reaktanten, Produkten und Übergangszuständen, die unter Verwendung von Quantenchemie -Methoden für 9.000 verschiedene chemische Reaktionen berechnet werden, die hauptsächlich kleine organische oder anorganische Moleküle umfassten.
Nach der Ausbildung hat das Modell bei anderen Reaktionen aus diesem Satz intestine abgebildet, die aus den Trainingsdaten abgehalten worden waren. Bei anderen Arten von Reaktionen, auf die es nicht geschult worden warfare, warfare es auch intestine zu tun und konnte genaue Vorhersagen mit Reaktionen mit größeren Reaktanten treffen, die häufig Nebenketten haben, die nicht direkt an der Reaktion beteiligt waren.
„Dies ist wichtig, da es viele Polymerisationsreaktionen gibt, bei denen Sie eine große Makromolekül haben. Die Reaktion tritt jedoch in nur einem Teil auf. Ein Modell, das über verschiedene Systemgrößen hinweg verallgemeinert wird, bedeutet, dass sie eine breite Palette von Chemie angehen kann“, sagt Kulik.
Die Forscher arbeiten nun daran, das Modell so auszubilden, dass es Übergangszustände für Reaktionen zwischen Molekülen vorhersagen kann, die zusätzliche Elemente umfassen, darunter Schwefel, Phosphor, Chlor, Silizium und Lithium.
„Die schnelle Vorhersage des Übergangszustandsstrukturen ist der Schlüssel zu allen chemischen Verständnissen“, sagt Markus Reiher, Professor für theoretische Chemie bei ETH Zürich, der nicht an der Studie beteiligt warfare. „Der neue Ansatz, der in der Arbeit vorgestellt wird, könnte unsere Such- und Optimierungsprozesse sehr beschleunigen und uns schneller zu unserem Endergebnis bringen. Infolgedessen wird auch weniger Energie in diesen leistungsstarken Computerkampagnen verbraucht. Jeder Fortschritt, der diese Optimierung beschleunigt, profitiert allen Arten von chemischen Forschungen der Recheninformationen.“
Das MIT -Group hofft, dass andere Wissenschaftler ihren Ansatz bei der Gestaltung ihrer eigenen Reaktionen nutzen und eine geschaffen haben App zu diesem Zweck.
„Wann immer Sie ein Reaktant und ein Produkt haben, können Sie sie in das Modell einfügen und es erzeugt den Übergangszustand, aus dem Sie die Energiebarriere Ihrer beabsichtigten Reaktion schätzen und sehen können, wie wahrscheinlich es ist, dass es auftritt“, sagt Duan.
Die Forschung wurde vom Forschungsbüro der US -Armee, des US -amerikanischen Forschungsbüros, dem US Air Drive Workplace of Scientific Analysis, der Nationwide Science Basis und dem US Workplace of Naval Analysis finanziert.