Wetenschap
Onderzoekers van de Carnegie Mellon Universiteit en het Los Alamos National Laboratory hebben machinaal leren gebruikt om een model te creëren dat reactieve processen in een diverse reeks organische materialen en omstandigheden kan simuleren.
"Het is een hulpmiddel dat kan worden gebruikt om meer reacties op dit gebied te onderzoeken", zegt Shuhao Zhang, een afgestudeerde student aan de afdeling scheikunde van de Carnegie Mellon Universiteit. "We kunnen een volledige simulatie van de reactiemechanismen aanbieden."
Zhang is de eerste auteur van het artikel waarin de creatie en de resultaten worden uitgelegd van dit nieuwe machine learning-model met de titel "Exploring the Frontiers of Chemistry with a General Reactive Machine Learning Potential", gepubliceerd in Nature Chemistry .
Hoewel onderzoekers al eerder reacties hebben gesimuleerd, hadden eerdere methoden meerdere problemen. Reactieve krachtveldmodellen komen relatief vaak voor, maar vereisen meestal training voor specifieke reactietypen. Traditionele modellen die gebruik maken van de kwantummechanica, waarbij chemische reacties worden gesimuleerd op basis van de onderliggende natuurkunde, kunnen op alle materialen en moleculen worden toegepast, maar deze modellen vereisen het gebruik van supercomputers.
Dit nieuwe algemene machine learning interatomaire potentieel (ANI-1xnr) kan simulaties uitvoeren voor willekeurige materialen die de elementen koolstof, waterstof, stikstof en zuurstof bevatten en vereist aanzienlijk minder rekenkracht en tijd dan traditionele kwantummechanische modellen. Volgens Olexandr Isayev, universitair hoofddocent scheikunde aan Carnegie Mellon en hoofd van het laboratorium waar het model werd ontwikkeld, is deze doorbraak te danken aan ontwikkelingen op het gebied van machinaal leren.
“Machine learning komt naar voren als een krachtige aanpak om verschillende vormen van overdraagbare atomistische potentiëlen te construeren met behulp van regressie-algoritmen. Het algemene doel van dit project is het ontwikkelen van een machine learning-methode die in staat is reactie-energetische eigenschappen en snelheden voor chemische processen met hoge nauwkeurigheid te voorspellen, maar met zeer lage rekenkosten', zei Isayev.
"We hebben aangetoond dat deze machine learning-modellen kunnen worden getraind op hoge niveaus van de kwantummechanica-theorie en met succes energieën en krachten kunnen voorspellen met kwantummechanische nauwkeurigheid en een snelheidstoename van maar liefst 6-7 ordes van grootte. Dit is een nieuwe paradigma in reactieve simulaties."
Onderzoekers testten ANI-1xnr op verschillende chemische problemen, waaronder het vergelijken van biobrandstofadditieven en het volgen van de verbranding van methaan. Ze hebben zelfs het Miller-experiment nagebootst, een beroemd chemisch experiment dat bedoeld was om aan te tonen hoe het leven op aarde ontstond. Met behulp van dit experiment ontdekten ze dat het ANI-1xnr-model nauwkeurige resultaten opleverde in gecondenseerde fasesystemen.
Zhang zei dat het model mogelijk kan worden gebruikt voor andere gebieden in de scheikunde, mits verdere training.
"We kwamen erachter dat het mogelijk kan worden gebruikt om biochemische processen zoals enzymatische reacties te simuleren," zei Zhang. "We hebben het niet ontworpen om op een dergelijke manier te worden gebruikt, maar na aanpassing kan het voor dat doel worden gebruikt."
In de toekomst is het team van plan ANI-1xnr te verfijnen en het met meer elementen en op meer chemische gebieden te laten werken, en ze zullen proberen de schaal van de reacties die het kan verwerken te vergroten. Hierdoor zou het kunnen worden gebruikt op meerdere gebieden waar het ontwerpen van nieuwe chemische reacties relevant zou kunnen zijn, zoals de ontdekking van geneesmiddelen.
Zhang en Isayev werden in dit onderzoek vergezeld door Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly en Justin S. Smith.
Meer informatie: De grenzen van de chemie verkennen met een algemeen reactief machinaal leerpotentieel, Natuurchemie (2024). DOI:10.1038/s41557-023-01427-3
Journaalinformatie: Natuurchemie
Aangeboden door Carnegie Mellon Universiteit
Schurkenstaten veroorzaken tal van ziekten, maar een nieuwe methode zou kunnen helpen medicijnen te ontwerpen om deze te behandelen
Selectieve olefine-metathese met dubbele golflengte 3D-printen:hoe ingenieurs SWOMP gebruiken
Meer >
Wetenschap © https://nl.scienceaq.com