Une équipe internationale de scientifiques de l’Université du Luxembourg, de l’Institut berlinois pour les fondements de l’apprentissage et des données (BIFOLD) de la TU Berlin et de Google a maintenant développé avec succès un algorithme d’apprentissage automatique pour s’attaquer à des systèmes quantiques vastes et complexes. L’article a été publié dans Avancées scientifiques.
Les propriétés quantiques des atomes façonnent d’innombrables processus biochimiques et physiques. Certains des plus grands défis scientifiques mondiaux sont fondamentalement liés à la compréhension de nombreux atomes en interaction au fil du temps. Ces interactions sont régies par les lois de la mécanique quantique. Les exemples vont de la formation d’acides nucléiques dans le génome à la décomposition de molécules nocives dans l’atmosphère.
Les corrélations dans l’espace et le temps de tels systèmes quantiques sont particulièrement difficiles pour les scientifiques : leurs propriétés les plus intéressantes ne résultent pas d’une simple sommation des contributions individuelles des atomes, mais de corrélations atomiques complexes. Par conséquent, les systèmes quantiques ne peuvent pas être facilement modélisés mathématiquement. En particulier, les grands systèmes quantiques ont jusqu’à présent échappé à l’apprentissage automatique précis (ML) car ils ne peuvent pas être partitionnés de manière unique en petits packages de calcul indépendants.
Une modélisation directe des corrélations compliquées dépasserait les capacités de calcul existantes.
Réaliste et précis
L’algorithme d’apprentissage développé reconstruit les champs de force dits globaux basés sur des méthodes d’apprentissage automatique sans faire de simplifications potentiellement excessives. Le terme « champs de force globaux » décrit l’approche consistant à considérer toutes les interactions atomiques (telles qu’électrostatiques, chimiques, etc.) d’une molécule. Il est par ailleurs courant de réduire le nombre d’interactions atomiques modélisées au profit de l’efficacité de calcul.
« Les états quantiques sont inséparables et les constituants individuels ne peuvent agir indépendamment sans affecter le système dans son ensemble », explique le professeur Alexandre Tkatchenko, professeur de physique chimique théorique à l’Université du Luxembourg. Cette propriété marque l’une des différences les plus radicales entre la mécanique quantique et les interactions newtoniennes et électrostatiques classiques que tout le monde connaît intuitivement.
Cela pose également un dilemme lors de la modélisation de systèmes quantiques : un paradigme omniprésent dans la conception algorithmique et un élément de base important dans la modélisation des interactions atomiques consiste à diviser un problème en parties indépendantes plus petites qui sont plus faciles à gérer pour l’ordinateur. Cela n’est pas possible lorsque l’on considère les systèmes quantiques en raison des propriétés mentionnées ci-dessus.
Les champs de force mondiaux capables de capturer les interactions collectives de nombreux atomes dans les systèmes moléculaires ne s’étendent actuellement qu’à quelques dizaines d’atomes à l’aide de méthodes d’apprentissage automatique, car la complexité du modèle augmente considérablement avec la taille du système à portée de main. L’équipe a relevé ce défi en développant un algorithme pour former des champs de force globaux pour des systèmes allant jusqu’à plusieurs centaines d’atomes sans ignorer les corrélations complexes.
Leur approche sépare soigneusement les interactions atomiques fortement couplées au sein du modèle en une partie dite collective de faible dimension, qui contient des modèles d’interaction récurrents, et une partie dite résiduelle, qui décrit les contributions des interactions individuelles. Cette séparation permet de résoudre indépendamment les deux constituants du problème de reconstruction du champ de force.
Les propriétés numériques de chaque sous-problème, qui surviennent en raison d’erreurs d’arrondi inévitables dans les calculs informatiques, sont spécifiquement prises en considération. En conséquence, les champs de force globaux peuvent être reconstruits sur la base d’ensembles de données de référence plus grands pour représenter des interactions plus complexes, comme cela se produit dans les systèmes avec de nombreux atomes ou dans des molécules particulièrement flexibles.
« Les caractéristiques numériques des algorithmes d’apprentissage automatique ont souvent un impact plus fort que ne le suggère la formulation mathématique, ce qui peut fausser les résultats. Les améliorations de la stabilité numérique peuvent avoir un impact considérable sur l’application des algorithmes », déclare le Dr Stefan Chmiela, chercheur chef de groupe du groupe Machine Learning for Many-body Systems chez BIFOLD.
Le fait que la méthode développée puisse être parallélisée sur plusieurs ordinateurs est un avantage secondaire. Il supprime les goulots d’étranglement algorithmiques et permet l’utilisation efficace du matériel informatique parallèle moderne tel que les GPU. « Le succès des algorithmes d’apprentissage automatique est souvent déterminé par l’efficacité avec laquelle ils peuvent s’exécuter et évoluer sur le matériel disponible », explique le professeur Dr. Klaus-Robert Müller, codirecteur de BIFOLD.
« Ce travail est un tremplin pour débloquer des simulations quantiques véritablement prédictives de systèmes avec des centaines d’atomes », déclare Oliver Unke, chercheur chez Google. Les scientifiques ont déjà réalisé avec succès des simulations dynamiques de complexes supramoléculaires sur de longues échelles de temps difficiles. Des simulations similaires sont régulièrement effectuées dans l’industrie pharmaceutique pour identifier des composés ayant des propriétés spécifiques en tant que nouveaux candidats-médicaments potentiels.
« Les méthodes d’apprentissage automatique promettent une convergence entre des modèles de mécanique quantique exacts et des solutions empiriques efficaces. Elles ont le potentiel d’accélérer la recherche scientifique en chimie quantique en offrant des opportunités entièrement nouvelles pour mieux comprendre les interactions atomiques dans des systèmes physiques complexes », explique Alexandre Tkatchenko.
Plus d’information:
Stefan Chmiela et al, champs de force d’apprentissage automatique globaux précis pour les molécules avec des centaines d’atomes, Avancées scientifiques (2023). DOI : 10.1126/sciadv.adf0873