Percée rapportée dans la chimie quantique améliorée par l’apprentissage automatique

Dans une nouvelle étude publiée dans Actes de l’Académie nationale des sciences, des chercheurs du Laboratoire national de Los Alamos ont proposé d’incorporer davantage de mathématiques de la mécanique quantique dans la structure des prédictions d’apprentissage automatique. En utilisant les positions spécifiques des atomes dans une molécule, le modèle d’apprentissage automatique prédit une matrice hamiltonienne efficace, qui décrit les différents états électroniques possibles ainsi que leurs énergies associées.

Par rapport aux simulations traditionnelles de chimie quantique, l’approche basée sur l’apprentissage automatique fait des prédictions à un coût de calcul très réduit. Il permet des prédictions quantitativement précises concernant les propriétés des matériaux, permet un aperçu interprétable de la nature de la liaison chimique entre les atomes et peut être utilisé pour prédire d’autres phénomènes complexes, tels que la façon dont le système répondra aux perturbations, telles que les interactions lumière-matière. La méthode offre également une précision grandement améliorée par rapport aux modèles d’apprentissage automatique traditionnels et démontre le succès de la transférabilité, c’est-à-dire la capacité du modèle à faire des prédictions qui vont bien au-delà des données qui ont constitué la base de sa formation.

Les équations de la mécanique quantique fournissent une feuille de route pour prédire les propriétés des produits chimiques à partir des théories scientifiques de base. Cependant, ces équations peuvent rapidement devenir trop coûteuses en termes de temps et de puissance informatiques lorsqu’elles sont utilisées pour prédire le comportement de grands systèmes. L’apprentissage automatique offre une approche prometteuse pour accélérer ces simulations à grande échelle. L’utilisation de l’apprentissage automatique pour prédire les propriétés chimiques offre un potentiel de grandes avancées technologiques, avec des applications allant de l’énergie plus propre à la conception plus rapide de médicaments pharmaceutiques. Il s’agit d’un domaine de recherche très actif, mais la plupart des approches existantes utilisent des approches simples et heuristiques pour la conception des modèles d’apprentissage automatique.

Dans leur étude, les chercheurs ont montré que les modèles d’apprentissage automatique peuvent imiter la structure de base des lois fondamentales de la nature. Ces lois peuvent être très difficiles à simuler directement. L’approche d’apprentissage automatique permet des prédictions faciles à calculer et précises dans un large éventail de systèmes chimiques.

Le modèle d’apprentissage automatique amélioré peut prédire rapidement et avec précision un large éventail de propriétés de molécules. Ces approches obtiennent de très bons résultats sur des points de repère importants en chimie computationnelle et montrent comment les méthodes d’apprentissage en profondeur peuvent continuer à s’améliorer en incorporant davantage de données issues d’expériences. Le modèle peut également réussir des tâches difficiles telles que la prédiction de la dynamique des états excités, c’est-à-dire le comportement des systèmes avec des niveaux d’énergie élevés. Cet outil est une capacité révolutionnaire pour la chimie quantique. Il permettra aux chercheurs de mieux comprendre la réactivité et les états excités de nouvelles molécules.