Wykorzystując AI generatywne, inżynierowie chemiczni i chemicy z MIT stworzyli model, który może przewidywać struktury powstające, gdy reakcja chemiczna osiąga punkt bez powrotu. W trakcie reakcji chemicznej cząsteczki zyskują energię, aż osiągną tzw. stan przejściowy – punkt bez powrotu, od którego reakcja musi przebiegać. Ten stan jest tak ulotny, że niemal niemożliwy do zaobserwowania eksperymentalnie.
Struktury tych stanów przejściowych można obliczyć przy użyciu technik opartych na chemii kwantowej, ale proces ten jest niezwykle czasochłonny. Zespół badaczy z MIT opracował teraz alternatywne podejście oparte na uczeniu maszynowym, które może obliczać te struktury znacznie szybciej – w ciągu kilku sekund.
Ich nowy model może być używany do pomocy chemikom w projektowaniu nowych reakcji i katalizatorów do wytwarzania użytecznych produktów, takich jak paliwa lub leki, lub do modelowania naturalnie występujących reakcji chemicznych, takich jak te, które mogły pomóc w ewolucji życia na Ziemi.
„Znajomość struktury stanu przejściowego jest naprawdę ważna jako punkt wyjścia do myślenia o projektowaniu katalizatorów lub zrozumieniu, jak naturalne systemy przeprowadzają pewne transformacje,” mówi Heather Kulik, profesor chemii i inżynierii chemicznej w MIT i starszy autor badania.
Chenru Duan PhD ’22 jest głównym autorem artykułu opisującego pracę, który ukazał się dziś w Nature Computational Science. Autorami artykułu są również student Cornell University Yuanqi Du i student MIT Haojun Jia.
Ulotne przejścia
Aby doszło do jakiejkolwiek reakcji chemicznej, musi ona przejść przez stan przejściowy, który zachodzi, gdy osiąga próg energii potrzebny do jej przebiegu. Prawdopodobieństwo każdej reakcji chemicznej częściowo zależy od tego, jak prawdopodobne jest powstanie stanu przejściowego.
„Stan przejściowy pomaga określić prawdopodobieństwo przemiany chemicznej. Jeśli mamy dużo czegoś, czego nie chcemy, jak dwutlenek węgla, i chcielibyśmy przekształcić go w użyteczne paliwo, jak metanol, stan przejściowy i jego korzystność determinuje, jak prawdopodobne jest, że przejdziemy od substratu do produktu,” mówi Kulik.
Chemicy mogą obliczać stany przejściowe za pomocą metody chemii kwantowej znanej jako teoria funkcjonału gęstości. Jednak ta metoda wymaga ogromnej mocy obliczeniowej i może zająć wiele godzin, a nawet dni, aby obliczyć tylko jeden stan przejściowy.
Ostatnio niektórzy badacze próbowali używać modeli uczenia maszynowego do odkrywania struktur stanów przejściowych. Jednak dotychczas opracowane modele wymagają traktowania dwóch reagentów jako jednej całości, w której reagenty zachowują tę samą orientację względem siebie. Jakiekolwiek inne możliwe orientacje muszą być modelowane jako oddzielne reakcje, co zwiększa czas obliczeń.
„Jeśli cząsteczki reagentów są obrócone, to w zasadzie przed i po tym obrocie mogą nadal przejść tę samą reakcję chemiczną. Ale w tradycyjnym podejściu uczenia maszynowego model będzie traktował je jako dwie różne reakcje. To sprawia, że trening uczenia maszynowego jest znacznie trudniejszy, a także mniej dokładny,” mówi Duan.
Zespół MIT opracował nowe podejście obliczeniowe, które pozwoliło im reprezentować dwa reagenty w dowolnej orientacji względem siebie, używając rodzaju modelu znanego jako model dyfuzji, który może uczyć się, które rodzaje procesów najprawdopodobniej wygenerują określony wynik. Jako dane treningowe dla swojego modelu badacze użyli struktur reagentów, produktów i stanów przejściowych, które zostały obliczone za pomocą metod obliczeń kwantowych dla 9 000 różnych reakcji chemicznych.
