Forskare från Carnegie Mellon University och Los Alamos National Laboratory har använt maskininlärning för att skapa en modell som kan simulera reaktiva processer i en mängd olika organiska material och förhållanden.
"Det är ett verktyg som kan användas för att undersöka fler reaktioner på det här området", säger Shuhao Zhang, doktorand vid Carnegie Mellon Universitys avdelning för kemi. "Vi kan erbjuda en fullständig simulering av reaktionsmekanismerna."
Zhang är den första författaren på den tidning som förklarar skapandet och resultaten av denna nya maskininlärningsmodell med titeln "Exploring the Frontiers of Chemistry with a General Reactive Machine Learning Potential", publicerad i Nature Chemistry .
Även om forskare har simulerat reaktioner tidigare, hade tidigare metoder flera problem. Reaktiva kraftfältsmodeller är relativt vanliga, men de kräver vanligtvis träning för specifika reaktionstyper. Traditionella modeller som använder kvantmekanik, där kemiska reaktioner simuleras baserat på underliggande fysik, kan appliceras på alla material och molekyler, men dessa modeller kräver att superdatorer används.
Denna nya generella interatomära potential för maskininlärning (ANI-1xnr), kan utföra simuleringar för godtyckliga material som innehåller elementen kol, väte, kväve och syre och kräver betydligt mindre datorkraft och tid än traditionella kvantmekaniska modeller. Enligt Olexandr Isayev, docent i kemi vid Carnegie Mellon och chef för labbet där modellen utvecklades, beror detta genombrott på utvecklingen inom maskininlärning.
"Machine learning växer fram som ett kraftfullt tillvägagångssätt för att konstruera olika former av överförbara atomistiska potentialer med hjälp av regressionsalgoritmer. Det övergripande målet med detta projekt är att utveckla en maskininlärningsmetod som kan förutsäga reaktionsenergi och hastigheter för kemiska processer med hög noggrannhet, men med en mycket låg beräkningskostnad", sa Isayev.
"Vi har visat att dessa maskininlärningsmodeller kan tränas på höga nivåer av kvantmekanikteori och framgångsrikt kan förutsäga energier och krafter med kvantmekanisk noggrannhet och en hastighetsökning på så mycket som 6–7 storleksordningar. Detta är en ny paradigm i reaktiva simuleringar."
Forskare testade ANI-1xnr på olika kemiska problem, inklusive att jämföra biobränsletillsatser och spåra metanförbränning. De återskapade till och med Miller-experimentet, ett berömt kemiskt experiment som var tänkt att visa hur livet uppstod på jorden. Med hjälp av detta experiment fann de att ANI-1xnr-modellen gav exakta resultat i system med kondenserad fas.
Zhang sa att modellen potentiellt skulle kunna användas för andra områden inom kemi med vidareutbildning.
"Vi fick reda på att det potentiellt kan användas för att simulera biokemiska processer som enzymatiska reaktioner," sade Zhang. "Vi designade den inte för att användas på ett sådant sätt, men efter modifiering kan den användas för det ändamålet."
I framtiden planerar teamet att förfina ANI-1xnr och låta det arbeta med fler grundämnen och i fler kemiska områden, och de kommer att försöka öka omfattningen av de reaktioner som det kan bearbeta. Detta skulle kunna göra det möjligt att använda den inom flera områden där utformning av nya kemiska reaktioner kan vara relevanta, till exempel upptäckt av läkemedel.
Zhang och Isayev fick sällskap av Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly och Justin S. Smith i denna studie.
Mer information: Utforska kemins gränser med en allmän reaktiv maskininlärningspotential, Naturkemi (2024). DOI:10.1038/s41557-023-01427-3
Journalinformation: Naturkemi
Tillhandahålls av Carnegie Mellon University
