Kvantkemi, studiet av kemiska egenskaper och processer i kvantskala, har öppnat många vägar till forskning och upptäckt inom modern kemi. Utan att någonsin hantera en bägare eller ett provrör, kemister kan göra förutsägelser om egenskaperna hos en given atom eller molekyl och hur den kommer att genomgå kemiska reaktioner genom att studera dess elektroniska struktur - hur dess elektroner är ordnade i orbitaler - och hur dessa elektroner interagerar med andra föreningar eller atomer.

Dock, lika kraftfull som kvantkemin har visat sig vara, det har också en stor nackdel:noggranna beräkningar är resurskrävande och tidskrävande, med rutinmässiga kemiska studier som involverar beräkningar som tar dagar eller längre.

Nu, tack vare ett nytt kvantkemiverktyg som använder maskininlärning, kvantkemiberäkningar kan utföras 1, 000 gånger snabbare än tidigare möjligt, gör att noggrann kvantkemiforskning kan utföras snabbare än någonsin tidigare.

Verktyget, kallas OrbNet, utvecklades genom ett partnerskap mellan Caltechs Tom Miller, professor i kemi, och Anima Anandkumar, Bren professor i datavetenskap och matematisk vetenskap.

"Inom kvantkemi, det har förekommit ett straffande samspel mellan beräkningens noggrannhet och hur lång tid det tar, " säger Miller. "Du skulle börja en beräkning, och skulle säga, 'Väl, ses på tisdag.' Men nu, beräkningarna kan göras interaktivt."

OrbNet använder ett grafiskt neuralt nätverk, en typ av maskininlärningssystem som representerar information som "noder, "som innehåller data, och "kanter, " som representerar hur dessa databitar är relaterade till varandra.

Miller säger att OrbNet fungerar lika bra som det gör på grund av en innovation i hur atomer och molekyler kartläggs till grafens neurala nätverk som är baserat på Schrödinger-ekvationen, ett stycke matematik som är centralt för kvantmekaniken.

"Tidigare grafarkitekturer hade organiserat atomerna som noder och bindningarna mellan atomerna som kanter, men det är inte så kvantkemin tänker kring det, " säger han. "Så, istället, vi byggde en graf där noderna är elektronorbitaler, och kanterna är interaktioner mellan orbitalen. Det har en mycket mer naturlig koppling till Schrödinger-ekvationen."

Som alla maskininlärningssystem, OrbNet måste utbildas för att utföra en tilldelad uppgift, liknande hur en person som får ett nytt jobb behöver utbildas för det. OrbNet lärde sig att förutsäga molekylära egenskaper på grundval av noggranna referenskvantmekaniska beräkningar. Anandkumar, vars forskning fokuserar på maskininlärning, hjälpte till att designa och optimera implementeringen av grafens neurala nätverk.

"Orbnet är ett bra exempel på en djupinlärningsmodell som använder domänspecifika funktioner:i det här fallet, molekylära orbitaler. Detta gör det möjligt för maskininlärningsmodellen att exakt göra beräkningarna på molekyler som är mycket större, så mycket som 10 gånger större, än molekylerna som finns i träningsdata, " säger Anandkumar. "För en standardmodell för djupinlärning, sådan extrapolering är omöjlig eftersom den bara lär sig att interpolera på träningsdata. Att utnyttja domänkunskapen om molekylära orbitaler var avgörande för oss för att uppnå överförbarhet till större molekyler.

För närvarande, OrbNet har utbildats på cirka 100, 000 molekyler, som Miller säger gör att den kan utföra många användbara beräkningar för forskare, men pågående ansträngningar syftar till att skala den till större utbildningsdatauppsättningar.

"Förutsägelsen av molekylära egenskaper har många praktiska fördelar. Till exempel, OrbNet kan användas för att förutsäga strukturen av molekyler, hur de kommer att reagera, om de är lösliga i vatten, eller hur de kommer att binda till ett protein, " han säger.

Miller säger att framtida arbete med OrbNet kommer att fokusera på att utöka utbudet av uppgifter som det kan användas för genom ytterligare utbildning.

"Vi har visat att det fungerar för ett litet hörn av organisk kemi, men det finns inget som hindrar oss från att utöka tillvägagångssättet till andra applikationsdomäner, " han säger.

Tidningen som beskriver OrbNet, betitlad, "OrbNet:Deep Learning för kvantkemi med hjälp av symmetrianpassade atomorbitala funktioner, " publicerades i Journal of Chemical Physics den 25 september och utvald som Redaktörsval.