Wissenschaftler entwickeln neue Methode des maschinellen Lernens zur Modellierung chemischer Reaktionen

Forscher der Carnegie Mellon University und des Los Alamos National Laboratory nutzten maschinelles Lernen, um ein Modell zu erstellen, mit dem reaktive Prozesse in einer Vielzahl von Materialien und organischen Bedingungen simuliert werden können.

„Dies ist ein Werkzeug, mit dem sich weitere Reaktionen in diesem Bereich untersuchen lassen“, sagte Shuhao Zhang, ein Doktorand in der Chemieabteilung der Carnegie Mellon University. „Wir können eine vollständige Simulation der Reaktionsmechanismen anbieten.“

Zhang ist der erste Autor des Artikels, der die Entstehung und Ergebnisse dieses neuen Modells für maschinelles Lernen mit dem Titel „Exploring the Frontiers of Chemistry with General Potential for Reactive Machine Learning“ erläutert, veröffentlicht in Natürliche Chemie.

Obwohl Forscher schon früher Reaktionen simuliert haben, hatten frühere Methoden viele Probleme. Reaktive Kraftfeldmodelle sind relativ verbreitet, erfordern jedoch in der Regel ein Training für bestimmte Reaktionstypen. Herkömmliche Modelle, die die Quantenmechanik nutzen, bei denen chemische Reaktionen auf der Grundlage der zugrunde liegenden Physik simuliert werden, können auf jedes Material und Molekül angewendet werden, diese Modelle erfordern jedoch den Einsatz von Supercomputern.

Dieses neue allgemeine interatomare Potenzial für maschinelles Lernen (ANI-1xnr) kann Simulationen für beliebige Materialien durchführen, die die Elemente Kohlenstoff, Wasserstoff, Stickstoff und Sauerstoff enthalten, und erfordert deutlich weniger Rechenleistung und Zeit als herkömmliche quantenmechanische Modelle. Laut Olexandr Isayev, außerordentlicher Professor für Chemie an der Carnegie Mellon und Leiter des Labors, in dem das Modell entwickelt wurde, ist dieser Fortschritt auf Entwicklungen beim maschinellen Lernen zurückzuführen.

„Maschinelles Lernen entwickelt sich zu einem leistungsstarken Ansatz zur Konstruktion verschiedener Formen übertragbarer atomarer Potentiale mithilfe von Regressionsalgorithmen. Das übergeordnete Ziel dieses Projekts besteht darin, eine Methode des maschinellen Lernens zu entwickeln, die in der Lage ist, Energie und Reaktionsraten für chemische Prozesse mit hoher Präzision vorherzusagen sehr geringer Rechenaufwand“, sagte Isayev.

„Wir haben gezeigt, dass diese maschinellen Lernmodelle auf hohem Niveau der quantenmechanischen Theorie trainiert werden können und Energien und Kräfte mit quantenmechanischer Präzision und einer Geschwindigkeitssteigerung von bis zu 6 bis 7 Größenordnungen erfolgreich vorhersagen können. Dies ist ein neues Paradigma in.“ reaktive Simulationen.

Die Forscher testeten ANI-1xnr anhand verschiedener chemischer Probleme, darunter dem Vergleich von Biokraftstoffadditiven und der Verfolgung der Methanverbrennung. Sie stellten sogar das Miller-Experiment nach, ein berühmtes chemisches Experiment, das den Ursprung des Lebens auf der Erde nachweisen sollte. Durch dieses Experiment fanden sie heraus, dass das ANI-1xnr-Modell genaue Ergebnisse in Systemen in kondensierter Phase lieferte.

Zhang sagte, das Modell könne mit weiterer Ausbildung möglicherweise auch in anderen Bereichen der Chemie eingesetzt werden.

„Wir haben herausgefunden, dass es möglicherweise zur Simulation biochemischer Prozesse wie enzymatischer Reaktionen verwendet werden könnte“, sagte Zhang. „Wir haben es nicht für diesen Zweck konzipiert, aber nach Modifikation kann es für diesen Zweck verwendet werden.“

In Zukunft plant das Team, ANI-1xnr zu verfeinern und es in die Lage zu versetzen, mit mehr Elementen und in mehr chemischen Bereichen zu arbeiten, und sie werden versuchen, den Umfang der Reaktionen, die es verarbeiten kann, zu erhöhen. Dies könnte den Einsatz in mehreren Bereichen ermöglichen, in denen die Entwicklung neuer chemischer Reaktionen relevant sein könnte, beispielsweise in der Arzneimittelforschung.

Zhang und Isayev wurden in dieser Studie von Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly und Justin S. Smith begleitet.