Kwantumchemie, de studie van chemische eigenschappen en processen op kwantumschaal, heeft vele wegen geopend voor onderzoek en ontdekking in de moderne scheikunde. Zonder ooit een beker of een reageerbuis aan te raken, scheikundigen kunnen voorspellingen doen over de eigenschappen van een bepaald atoom of molecuul en hoe het chemische reacties zal ondergaan door de elektronische structuur te bestuderen - hoe de elektronen in orbitalen zijn gerangschikt - en hoe die elektronen interageren met die van andere verbindingen of atomen.

Echter, zo krachtig als de kwantumchemie zich heeft bewezen, het heeft ook een groot nadeel:nauwkeurige berekeningen zijn arbeidsintensief en tijdrovend, met routinematige chemische studies met berekeningen die dagen of langer duren.

Nutsvoorzieningen, dankzij een nieuwe kwantumchemietool die gebruikmaakt van machine learning, kwantumchemische berekeningen kunnen worden uitgevoerd 1, 000 keer sneller dan voorheen mogelijk was, waardoor nauwkeurig kwantumchemisch onderzoek sneller dan ooit kan worden uitgevoerd.

Het gereedschap, genaamd OrbNet, is ontwikkeld door een samenwerking tussen Tom Miller van Caltech, hoogleraar scheikunde, en Anima Anandkumar, Bren hoogleraar informatica en wiskundige wetenschappen.

"In de kwantumchemie, er een bestraffende wisselwerking is geweest tussen de nauwkeurigheid van de berekening en de hoeveelheid tijd die het kost, " zegt Miller. "Je zou een berekening beginnen, en zou zeggen, 'We zullen, ik zie je dinsdag.' Maar nu, de berekeningen kunnen interactief worden gedaan."

OrbNet maakt gebruik van een graaf neuraal netwerk, een type machine learning-systeem dat informatie weergeeft als "knooppunten, " die gegevens bevatten, en "randen, " die de manieren vertegenwoordigen waarop die brokken gegevens aan elkaar gerelateerd zijn.

Miller zegt dat OrbNet zo goed werkt als het doet vanwege een innovatie in de manier waarop atomen en moleculen worden toegewezen aan het neurale netwerk van de grafiek dat is gebaseerd op de Schrödinger-vergelijking. een stukje wiskunde dat centraal staat in de kwantummechanica.

"Vorige grafische architecturen hadden de atomen georganiseerd als knopen en de bindingen tussen de atomen als randen, maar zo denkt de kwantumchemie er niet over, "zegt hij. "Dus, in plaats daarvan, we hebben een grafiek gemaakt waarin de knooppunten de elektron-orbitalen zijn, en de randen zijn interacties tussen de orbitalen. Dat heeft een veel natuurlijker verband met de Schrödingervergelijking."

Zoals alle machine learning-systemen, OrbNet moet worden getraind om een ​​toegewezen taak uit te voeren, vergelijkbaar met hoe iemand die een nieuwe baan krijgt, daarvoor moet worden opgeleid. OrbNet leerde moleculaire eigenschappen voorspellen op basis van nauwkeurige kwantummechanische referentieberekeningen. Anandkumar, wiens onderzoek zich richt op machine learning, hielp bij het ontwerpen en optimaliseren van de neurale netwerkimplementatie van de grafiek.

"Orbnet is een geweldig voorbeeld van een deep-learningmodel dat gebruikmaakt van domeinspecifieke functies:in dit geval moleculaire orbitalen. Hierdoor kan het machine learning-model de berekeningen nauwkeurig uitvoeren op moleculen die veel groter zijn, wel 10 keer groter, dan de moleculen die aanwezig zijn in trainingsgegevens, " zegt Anandkumar. "Voor een standaard deep-learningmodel, een dergelijke extrapolatie is onmogelijk omdat het alleen leert interpoleren op de trainingsgegevens. Het benutten van de domeinkennis van moleculaire orbitalen was essentieel voor ons om overdraagbaarheid naar grotere moleculen te bereiken.

Momenteel, OrbNet is getraind op ongeveer 100, 000 moleculen, waarvan Miller zegt dat het veel nuttige berekeningen voor onderzoekers kan uitvoeren, maar voortdurende inspanningen zijn erop gericht om het op te schalen naar grotere trainingsgegevenssets.

"Het voorspellen van moleculaire eigenschappen heeft veel praktische voordelen. OrbNet kan worden gebruikt om de structuur van moleculen te voorspellen, de manier waarop ze zullen reageren, of ze oplosbaar zijn in water, of hoe ze zich aan een eiwit zullen binden, " hij zegt.

Miller zegt dat toekomstige werkzaamheden aan OrbNet zich zullen richten op het uitbreiden van het takenpakket waarvoor het kan worden gebruikt door middel van aanvullende training.

"We hebben aangetoond dat het werkt voor een klein hoekje van de organische chemie, maar er is niets dat ons ervan weerhoudt de aanpak uit te breiden naar andere toepassingsdomeinen, " hij zegt.

Het artikel waarin OrbNet wordt beschreven, getiteld, "OrbNet:diepgaand leren voor kwantumchemie met behulp van symmetrie-aangepaste atomaire orbitale functies, " werd gepubliceerd in de Tijdschrift voor Chemische Fysica op 25 september en geselecteerd als Editor's Pick.