DeepMind AI pakt een van de meest waardevolle scheikundige technieken aan

Een team onder leiding van wetenschappers van het in Londen gevestigde bedrijf DeepMind voor kunstmatige intelligentie heeft een machine-learningmodel ontwikkeld dat eigenschappen van een molecuul suggereert door de verdeling van elektronen erin te voorspellen. De aanpak beschreven in het nummer van 10 december van Wetenschap¹De eigenschappen van sommige moleculen kunnen nauwkeuriger worden berekend dan de huidige technieken.

“Het is een prestatie om het zo nauwkeurig te maken als zij hebben gedaan”, zegt Anatole von Lilienfeld, materiaalwetenschapper aan de Universiteit van Wenen.

Katarzyna Bernal, een computerchemicus aan de Lodz University of Technology in Polen, zegt dat de onderzoekspaper “sterk werk” is. Maar, voegt ze eraan toe, het machine-learningmodel heeft nog een lange weg te gaan voordat het nuttig wordt voor computationele chemici.

voorspellingseigenschappen

In principe wordt de hele structuur van materialen en moleculen bepaald door de kwantummechanica, met name door de Schrödingervergelijking, die het gedrag van de golffuncties van het elektron regelt. Dit zijn wiskundige hulpmiddelen die de waarschijnlijkheid beschrijven van het vinden van een bepaald elektron op een bepaalde locatie in de ruimte. Maar omdat alle elektronen met elkaar interageren, is het berekenen van de moleculaire structuur of orbitalen op basis van deze eerste principes een computationele nachtmerrie en kan dit alleen worden gedaan voor de eenvoudigste moleculen, zoals benzeen, zegt James Kirkpatrick, een natuurkundige bij DeepMind.

Om dit probleem te omzeilen, hebben onderzoekers – van farmacologen tot batterij-ingenieurs – wier werk bij het ontdekken of ontwikkelen van nieuwe moleculen decennialang vertrouwd op een reeks technieken genaamd dichtheidsfunctionaaltheorie (DFT) om de fysieke eigenschappen van moleculen te voorspellen. De theorie probeert niet de individuele elektronen te modelleren, maar heeft in plaats daarvan tot doel de algemene verdeling van de negatieve elektrische lading van de elektronen over het molecuul te berekenen. “De DFT kijkt naar de gemiddelde ladingsdichtheid, dus hij weet niet wat de individuele elektronen zijn”, zegt Kirkpatrick. De meeste eigenschappen van het materiaal kunnen dan eenvoudig uit die dichtheid worden berekend.

Sinds het begin in de jaren zestig is DFT een van de meest gebruikte technologieën in de natuurwetenschappen geworden: een onderzoek door de natuur temperenHet Nieuws-team ontdekte in 2014 dat, Onder de 100 meest geciteerde artikelen, 12 gingen over de DFT. Moderne databases van materiaaleigenschappen, zoals: ontwerp materiaal, grotendeels van DFT-rekeningen.

Maar deze benadering heeft beperkingen en het is bekend dat het onjuiste resultaten geeft voor bepaalde soorten moleculen, zelfs sommige zo eenvoudig als natriumchloride. Hoewel DFT-berekeningen veel efficiënter zijn dan berekeningen die beginnen met de basiskwantumtheorie, zijn ze nog steeds omslachtig en vereisen ze vaak supercomputers. Daarom zijn theoretische chemici het afgelopen decennium steeds meer gaan experimenteren met machine learning, in het bijzonder Kenmerken studie Zoals de chemische reactie van stoffen of hun vermogen om warmte te geleiden.

perfect probleem

Het DeepMind-team heeft misschien wel de meest ambitieuze poging tot nu toe gedaan om kunstmatige intelligentie in te zetten om de elektronendichtheid te berekenen, het eindresultaat van DFT-berekeningen. “Het is een soort van perfect machine learning-probleem: je weet het antwoord, maar niet de formule die je wilt toepassen”, zegt Aaron Cohen, een lange tijd DFT-theoretisch chemicus die nu bij DeepMind werkt.

Het team trainde een kunstmatig neuraal netwerk op gegevens van 1.161 exacte oplossingen afgeleid van de Schrödinger-vergelijkingen. Om de nauwkeurigheid te verbeteren, hebben ze ook enkele bekende natuurwetten met het raster verbonden. Daarna testten ze het getrainde systeem op een groep moleculen die vaak als standaard voor DFT wordt gebruikt, en de resultaten waren verbluffend, zegt von Lilienfeld. “Dit is het beste dat de gemeenschap kon bedenken, en ze hebben het nipt verslagen”, zegt hij.

Von Lilienfeld voegt eraan toe dat een voordeel van machine learning is dat hoewel het een enorme hoeveelheid rekenkracht vereist om modellen te trainen, dit proces maar één keer hoeft te worden gedaan. Individuele voorspellingen kunnen vervolgens worden gedaan op een gewone laptop, waardoor de kosten en ecologische voetafdruk aanzienlijk worden verlaagd, vergeleken met het feit dat de berekeningen elke keer opnieuw moeten worden uitgevoerd.

Kirkpatrick en Cohen zeggen dat DeepMind hun getrainde systeem vrijgeeft zodat iedereen het kan gebruiken. Momenteel is het model vooral van toepassing op moleculen in plaats van op de kristalstructuren van materialen, maar toekomstige versies zouden ook met materialen kunnen werken, zeggen de auteurs.