Lorsque les chimistes conçoivent de nouvelles réactions chimiques, une information utile implique l'état de transition de la réaction – le point de non-retour à partir duquel une réaction doit procéder.
Ces informations permettent aux chimistes d'essayer de produire les bonnes conditions qui permettront à la réaction souhaitée de se produire. Cependant, les méthodes actuelles pour prédire l'état de transition et le chemin qu'une réaction chimique prendra est compliquée et nécessite une énorme quantité de puissance de calcul.
Les chercheurs du MIT ont maintenant développé un modèle d'apprentissage automatique qui peut faire ces prédictions en moins d'une seconde, avec une grande précision. Leur modèle pourrait permettre aux chimistes de concevoir plus facilement des réactions chimiques qui pourraient générer une variété de composés utiles, tels que des produits pharmaceutiques ou des carburants.
« Nous aimerions être en mesure de concevoir des processus pour prendre des ressources naturelles abondantes et les transformer en molécules dont nous avons besoin, telles que les matériaux et les médicaments thérapeutiques. La chimie informatique est vraiment importante pour comprendre comment concevoir des processus plus durables pour nous faire provenir des réactifs aux produits », a déclaré Heather Kulik, le Lammot du Pont Professor of Chemical Engineering, un professeur de chimie et de la nouvelle étude.
L'ancien étudiant diplômé du MIT, Chenru Duan, Ph.D., qui est maintenant en profondeur; L'ancien étudiant diplômé de Georgia Tech, Guan-Horng Liu, qui est maintenant à Meta; et l'étudiant diplômé de l'Université Cornell Yuanqi Du, sont les principaux auteurs de l'article, qui apparaît dans Intelligence de la machine de la nature.
Meilleures estimations
Pour qu'une réaction chimique donnée se produise, elle doit passer par un état de transition, qui a lieu lorsqu'il atteint le seuil d'énergie nécessaire pour que la réaction continue. Ces états de transition sont si éphémères qu'ils sont presque impossibles à observer expérimentalement.
Comme alternative, les chercheurs peuvent calculer les structures des états de transition en utilisant des techniques basées sur la chimie quantique. Cependant, ce processus nécessite beaucoup de puissance de calcul et peut prendre des heures ou des jours pour calculer un seul état de transition.
« Idéalement, nous aimerions être en mesure d'utiliser la chimie informatique pour concevoir des processus plus durables, mais ce calcul en soi est une énorme utilisation de l'énergie et des ressources pour trouver ces états de transition », explique Kulik.
En 2023, Kulik, Duan et d'autres ont rendu compte d'une stratégie d'apprentissage automatique qu'ils ont développé pour prédire les états de transition des réactions.
Cette stratégie est plus rapide que d'utiliser des techniques de chimie quantique, mais toujours plus lentement que ce qui serait idéal car elle nécessite que le modèle génére environ 40 structures, puis exécuter ces prédictions via un « modèle de confiance » pour prédire quels états étaient les plus susceptibles de se produire.
L'une des raisons pour lesquelles ce modèle doit être exécuté tant de fois est qu'il utilise des suppositions générées de manière aléatoire pour le point de départ de la structure de l'état de transition, puis effectue des dizaines de calculs jusqu'à ce qu'il atteigne sa meilleure estimation. Ces points de départ générés au hasard peuvent être très loin de l'état de transition réel, c'est pourquoi tant d'étapes sont nécessaires.
Le nouveau modèle des chercheurs, React-OT, décrit dans le Intelligence de la machine de la nature papier, utilise une stratégie différente. Dans ce travail, les chercheurs ont formé leur modèle pour commencer à partir d'une estimation de l'état de transition généré par interpolation linéaire – une technique qui estime la position de chaque atome en le déplaçant à mi-chemin entre sa position dans les réactifs et dans les produits, dans un espace tridimensionnel.
« Une supposition linéaire est un bon point de départ pour se rapprocher de l'endroit où cet état de transition finira », explique Kulik. « Ce que fait le modèle, c'est à partir d'une bien meilleure supposition initiale qu'une simple supposition aléatoire, comme dans le travail précédent. »
Pour cette raison, il faut au modèle moins d'étapes et moins de temps pour générer une prédiction. Dans la nouvelle étude, les chercheurs ont montré que leur modèle pouvait faire des prédictions avec seulement environ cinq étapes, prenant environ 0,4 seconde. Ces prédictions n'ont pas besoin d'être alimentées par un modèle de confiance, et elles sont environ 25% plus précises que les prédictions générées par le modèle précédent.
« Cela fait vraiment de React-OT un modèle pratique que nous pouvons intégrer directement au flux de travail de calcul existant dans le dépistage à haut débit pour générer des structures d'état de transition optimales », explique Duan.
«Un large éventail de chimie»
Pour créer React-OT, les chercheurs l'ont formé sur le même ensemble de données qu'ils ont utilisé pour former leur ancien modèle. Ces données contiennent des structures de réactifs, de produits et d'états de transition, calculés à l'aide de méthodes de chimie quantique, pour 9 000 réactions chimiques différentes, impliquant principalement des molécules de petites ou inorganiques organiques ou inorganiques.
Une fois formé, le modèle a bien performé sur d'autres réactions de cet ensemble, qui avait été retenu des données de formation. Il a également bien fonctionné sur d'autres types de réactions sur lesquelles il n'avait pas été formé et pourrait faire des prédictions précises impliquant des réactions avec des réactifs plus importants, qui ont souvent des chaînes latérales qui ne sont pas directement impliquées dans la réaction.
« Ceci est important car il y a beaucoup de réactions de polymérisation où vous avez une grosse macromolécule, mais la réaction se produit en une seule partie. Avoir un modèle qui se généralise sur différentes tailles de système signifie qu'il peut s'attaquer à un large éventail de chimie », explique Kulik.
Les chercheurs travaillent maintenant à la formation du modèle afin qu'il puisse prédire les états de transition pour les réactions entre les molécules qui incluent des éléments supplémentaires, notamment le soufre, le phosphore, le chlore, le silicium et le lithium.
L'équipe du MIT espère que d'autres scientifiques utiliseront leur approche pour concevoir leurs propres réactions et ont créé une application à cette fin.
« Chaque fois que vous avez un réactif et un produit, vous pouvez les mettre dans le modèle et cela générera l'état de transition, à partir de laquelle vous pouvez estimer la barrière énergétique de votre réaction prévue, et voir sa probabilité de se produire », explique Duan.
