Когда химики разрабатывают новые химические реакции, одна полезная часть информации включает в себя переходное состояние реакции – точка отсутствия возврата, из которой должна осуществляться реакция.
Эта информация позволяет химикам попытаться создать правильные условия, которые позволят возникнуть желаемая реакция. Тем не менее, современные методы прогнозирования переходного состояния и пути, который потребуется химическая реакция, сложны и требуют огромного количества вычислительной мощности.
Исследователи MIT в настоящее время разработали модель машинного обучения, которая может сделать эти прогнозы менее чем за секунду, с высокой точностью. Их модель может облегчить химикам проектирование химических реакций, которые могут генерировать различные полезные соединения, такие как фармацевтические препараты или топливо.
«Мы хотели бы иметь возможность в конечном итоге разработать процессы, чтобы взять обильные природные ресурсы и превратить их в молекулы, которые нам нужны, такие как материалы и терапевтические препараты. Вычислительная химия действительно важна для выяснения того, как разрабатывать более устойчивые процессы, чтобы довести нас от реагентов к продуктам», – говорит Хизер Кулик, профессор Du Pont Du Pont, профессор -инженер, профессор химии, и профессор, и профессор, и профессор, профессор, и профессор, профессор, и профессор, профессор, и профессор -инженер, профессор химии, профессор -профессор.
Бывший аспирант MIT Chenru Duan PhD 22 года, который сейчас находится в глубоком принципе; Бывший аспирант Георгии Тех-Тех Гуан-Хорн Лю, который сейчас находится в Meta; А аспирант Корнелльского университета Юанки Дю – ведущие авторы газеты, которая появляется сегодня в Интеллект природыПолем
Лучшие оценки
Для любой заданной химической реакции она должна пройти через переходное состояние, которое происходит, когда он достигает порога энергии, необходимого для реализации реакции. Эти переходные состояния настолько мимолетны, что их практически невозможно наблюдать экспериментально.
В качестве альтернативы исследователи могут рассчитать структуры переходных состояний, используя методы, основанные на квантовой химии. Тем не менее, этот процесс требует большой вычислительной мощности, и для расчета одного переходного состояния может потребоваться часы или дни.
«В идеале мы хотели бы иметь возможность использовать вычислительную химию для проектирования более устойчивых процессов, но сама по себе это вычисление является огромным использованием энергии и ресурсов при поиске этих переходных состояний», – говорит Кулик.
В 2023 году Кулик, Дуан и другие сообщили о стратегии машинного обучения, которую они разработали для прогнозирования переходных состояний реакций. Эта стратегия быстрее, чем использование методов квантовой химии, но все же медленнее, чем то, что было бы идеальным, потому что она требует от модели генерировать около 40 структур, а затем запустить эти прогнозы посредством «модели доверия», чтобы предсказать, какие состояния наиболее вероятны.
Одна из причин, по которой эта модель должна работать так много раз, заключается в том, что она использует случайно сгенерированные предположения для отправной точки структуры переходного состояния, а затем выполняет десятки расчетов, пока не достигнет своего окончательного, лучшего предположения. Эти случайно сгенерированные отправные точки могут быть очень далеки от фактического переходного состояния, поэтому необходимо так много шагов.
Новая модель исследователей, React-OT, описанная в Интеллект природы Бумага использует другую стратегию. В этой работе исследователи обучили свою модель начинаться с оценки переходного состояния, генерируемого линейной интерполяцией-методом, который оценивает положение каждого атома, перемещая его на полпути между его положением в реагентах и в продуктах, в трехмерном пространстве.
«Линейное предположение является хорошей отправной точкой для приближения, где это переходное состояние окажется», – говорит Кулик. «То, что делает модель, начинается с гораздо лучшего первоначального предположения, чем просто случайное предположение, как в предыдущей работе».
Из -за этого требуется модель меньше шагов и меньше времени, чтобы генерировать прогноз. В новом исследовании исследователи показали, что их модель может делать прогнозы только с пятью шагами, занимая около 0,4 секунды. Эти прогнозы не должны питаться с помощью достоверной модели, и они примерно на 25 процентов точнее, чем прогнозы, генерируемые предыдущей моделью.
«Это действительно делает React-OT практической моделью, которую мы можем напрямую интегрировать в существующий вычислительный рабочий процесс в высокопроизводительном скрининге для создания оптимальных структур переходного состояния»,-говорит Дуан.
«Широкий спектр химии»
Чтобы создать React-OT, исследователи обучили его в том же наборе данных, который они использовали для обучения своей старой модели. Эти данные содержат структуры реагентов, продуктов и переходных состояний, рассчитанных с использованием методов квантовой химии, для 9000 различных химических реакций, в основном с участием небольших органических или неорганических молекул.
После обучения модель хорошо показала другие реакции из этого набора, который был проведен из учебных данных. Он также хорошо показал другие типы реакций, на которые он не был обучен, и могло сделать точные прогнозы, включающие реакции с более крупными реагентами, которые часто имеют побочные цепи, которые не связаны непосредственно в реакции.
«Это важно, потому что существует много реакций полимеризации, где у вас есть большая макромолекула, но реакция происходит только в одной части. Наличие модели, которая обобщается в разных размерах системы, означает, что она может решить широкий спектр химии», – говорит Кулик.
Исследователи в настоящее время работают над обучением модели, чтобы она могла предсказать переходные состояния для реакций между молекулами, которые включают дополнительные элементы, включая серу, фосфор, хлор, кремний и литий.
«Быстро предсказать структуры переходного состояния является ключом ко всему химическому пониманию», – говорит Маркус Рейхер, профессор теоретической химии в Эт Цюрихе, который не участвовал в исследовании. «Новый подход, представленный в статье, может очень ускорить наши процессы поиска и оптимизации, что быстрее привело нас к нашему окончательному результату. В связи с этим также будет использоваться меньшая энергия в этих высокопроизводительных вычислительных кампаниях. Любой прогресс, который ускоряет эти преимущества оптимизации. Все виды вычислительных химических исследований».
Команда MIT надеется, что другие ученые используют свой подход в разработке своих собственных реакций и создали приложение для этой цели.
«Всякий раз, когда у вас есть реагент и продукт, вы можете поместить их в модель, и он будет генерировать переходное состояние, из которого вы можете оценить энергетический барьер вашей предполагаемой реакции и посмотреть, насколько вероятно, что это произойдет», – говорит Дуан.
Исследование было профинансировано исследовательским управлением армии США, Управлением по базовым исследовательским исследованиям Министерства обороны США, Управлением научных исследований ВВС США, Национальным научным фондом и Управлением военно -морских исследований США.
