Naarmate de chemie geavanceerder is geworden en de chemische reacties complexer, het is niet langer altijd praktisch voor onderzoekers om aan een laboratoriumtafel te gaan zitten en chemicaliën te mengen om te zien wat ze kunnen bedenken.

Tom Molenaar, een professor in de chemie aan Caltech; Matt Welborn, een postdoctoraal onderzoeker aan het Resnick Sustainability Institute; en Lixue Cheng, een afgestudeerde student scheikunde en chemische technologie, hebben een nieuwe tool ontwikkeld die machine learning gebruikt om chemische reacties te voorspellen lang voordat reagentia de reageerbuis raken.

Het is niet het eerste rekenhulpmiddel dat is ontwikkeld om scheikundige voorspellingen te doen, maar het verbetert wel wat al in gebruik is, en dat is belangrijk, want dit soort voorspellingen hebben een grote impact in het veld.

"Ze stellen ons in staat om onderliggende microscopische eigenschappen te verbinden met de dingen waar we om geven in de macroscopische wereld, " zegt Miller. "Deze voorspellingen stellen ons in staat om van tevoren te weten of de ene katalysator beter zal presteren dan de andere en om nieuwe kandidaat-geneesmiddelen te identificeren."

Ze vereisen ook veel rekenwerk. Miller wijst erop dat een aanzienlijk deel van alle supercomputertijd op aarde wordt besteed aan scheikundige voorspellingen, dus efficiëntieverhogingen kunnen onderzoekers veel tijd en kosten besparen.

Het werk van de Caltech-onderzoekers zorgt in wezen voor een verandering van focus voor voorspellingssoftware. Eerdere tools waren gebaseerd op drie computationele modelleringsmethoden die bekend staan ​​​​als dichtheidsfunctionaaltheorie (DFT), gekoppelde clustertheorie (CC), of Møller-Plesset storingstheorie (MP2). Die theorieën vertegenwoordigen drie verschillende benaderingen voor het benaderen van een oplossing voor de Schrödingervergelijking, die complexe systemen beschrijft waarin de kwantummechanica een grote rol speelt.

Elk van die theorieën heeft zijn eigen voor- en nadelen. DFT is een soort quick-and-dirty-aanpak die onderzoekers sneller maar met minder nauwkeurigheid antwoorden geeft. CC en MP2 zijn veel nauwkeuriger, maar hebben meer tijd nodig om te berekenen en gebruiken veel meer rekenkracht.

Molenaar, Cheng, en Welborn's gereedschap rijgt de naald, waardoor ze toegang krijgen tot voorspellingen die nauwkeuriger zijn dan die gemaakt met DFT en in minder tijd dan CC en MP2 kunnen bieden. Ze doen dit door hun algoritme voor machinaal leren te concentreren op de eigenschappen van moleculaire orbitalen - de wolk van elektronen rond een molecuul. Reeds bestaande hulpmiddelen, in tegenstelling tot, focus op de soorten atomen in een molecuul of de hoeken waaronder de atomen aan elkaar zijn gebonden.

Tot dusver, hun aanpak is veelbelovend, hoewel het alleen is gebruikt om voorspellingen te doen over relatief eenvoudige systemen. De echte toets, molenaar zegt, is om te zien hoe het zal presteren op meer gecompliceerde chemische problemen. Nog altijd, hij is optimistisch op basis van de voorlopige resultaten.

"Als we dit voor elkaar krijgen, het zal een groot probleem zijn voor de manier waarop computers worden gebruikt om chemische problemen te bestuderen, "zegt hij. "We zijn er erg enthousiast over."

Het werk wordt beschreven in een paper getiteld "Transferability in Machine Learning for Electronic Structure via the Molecular Orbital Basis" dat verschijnt in de Journal of Chemical Theory and Computation .