Forscher der Carnegie Mellon University und des Los Alamos National Laboratory haben mithilfe maschinellen Lernens ein Modell erstellt, das reaktive Prozesse in einer Vielzahl organischer Materialien und Bedingungen simulieren kann.
„Es ist ein Werkzeug, mit dem weitere Reaktionen auf diesem Gebiet untersucht werden können“, sagte Shuhao Zhang, ein Doktorand am Fachbereich Chemie 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 a General Reactive Machine Learning Potential“ erläutert, veröffentlicht in Naturchemie.
Obwohl Forscher schon früher Reaktionen simuliert haben, hatten frühere Methoden mehrere 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 alle Materialien und Moleküle 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 Modelle der Quantenmechanik. Laut Olexandr Isayev, außerordentlicher Professor für Chemie an der Carnegie Mellon und Leiter des Labors, in dem das Modell entwickelt wurde, ist dieser Durchbruch auf Entwicklungen im maschinellen Lernen zurückzuführen.
Eine Simulation demonstriert die Reaktionen, die der ANI-1xnr hervorrufen kann. ANI-1xnr kann reaktive Prozesse für organische Materialien wie Kohlenstoff simulieren und benötigt dabei weniger Rechenleistung und Zeit als herkömmliche Simulationsmodelle. Das Video wurde mit freundlicher Genehmigung von Shuhao Zhang von der Carnegie Mellon University zur Verfügung gestellt, Erstautor des Buches „Exploring the Frontiers of Condensed-Phase Chemistry with a General Reactive Machine Learning Potential“. Bildnachweis: Shuhao Zhang, Carnegie Mellon University
„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, mit der Reaktionsenergien und -geschwindigkeiten für chemische Prozesse mit hoher Genauigkeit vorhergesagt werden können ein sehr geringer Rechenaufwand“, sagte Isayev.
„Wir haben gezeigt, dass diese maschinellen Lernmodelle auf hohem Niveau der Quantenmechanik-Theorie trainiert werden können und Energien und Kräfte mit quantenmechanischer Genauigkeit und einer Geschwindigkeitssteigerung von bis zu 6–7 Größenordnungen erfolgreich vorhersagen können. Das ist etwas Neues.“ Paradigma in reaktiven Simulationen.
Die Forscher testeten ANI-1xnr anhand verschiedener chemischer Probleme, darunter dem Vergleich von Biokraftstoffzusätzen und der Verfolgung der Methanverbrennung. Sie stellten sogar das Miller-Experiment nach, ein berühmtes chemisches Experiment, das zeigen sollte, wie das Leben auf der Erde entstand. Mithilfe dieses Experiments stellten sie fest, dass das ANI-1xnr-Modell in Systemen mit kondensierter Phase genaue Ergebnisse lieferte.
Zhang sagte, dass das Modell mit weiterer Ausbildung möglicherweise auch für andere Bereiche der Chemie genutzt werden könne.
„Wir haben herausgefunden, dass es möglicherweise zur Simulation biochemischer Prozesse wie enzymatischer Reaktionen eingesetzt werden kann“, sagte Zhang. „Wir haben es nicht für eine solche Verwendung konzipiert, aber nach einer Modifikation kann es für diesen Zweck verwendet werden.“
In der Zukunft plant das Team, ANI-1xnr zu verfeinern und ihm die Arbeit mit mehr Elementen und in mehr chemischen Bereichen zu ermöglichen, 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.
Mehr Informationen:
Erforschung der Grenzen der Chemie mit einem allgemeinen Potenzial für reaktives maschinelles Lernen, Naturchemie (2024). DOI: 10.1038/s41557-023-01427-3