AI 錬金術が化学に革命を起こす: MIT の学者が生成 AI を使用して 6 秒で新しい化学反応を生成

書き直す必要があるのは: 編集者 | Kaixia

古代の錬金術である「等価交換」に始まる化学は、常に研究と制御を行う学問でした。物質間の関係、相互作用する分野。新しい化学反応を継続的に解明し、活用することにより、多くの新材料が開発されてきました。これらの新材料は、人々の生活に利便性をもたらすだけでなく、エネルギー効率を向上させ、持続可能な開発を促進します。

基本的な化学反応は、反応物、遷移状態 (TS)、および生成物で構成されます。遷移状態は化学において重要な 3D 構造であり、化学反応メカニズムの理解、反応エネルギー障壁の推定、広大な反応ネットワークの探索に広く使用されています。しかし、反応中に存在する時間は非常に短い（フェムト秒オーダー）ため、実験的に遷移状態を分離して特徴付けることはほとんど不可能です。

書き直された内容: 通常、人々は量子化学計算手法を使用して、シュレーディンガー方程式を繰り返し解くことによって、既知の反応物と生成物の間の遷移状態を決定します。ただし、この計算方法は非常に高価であり、頻繁に失敗することで有名です。同時に、この方法は個人の経験、直感、計算リソースによって制限され、各人が探索できる化学反応も限られています。この制限は、未知の複雑な反応を研究する場合に特に致命的です。この問題により、研究者は潜在的な反応の一部を無視することになり、その結果、反応機構の判断を誤ることになり、触媒材料の設計に影響を及ぼします。

この問題に対応して、マサチューセッツ工科大学 (MIT) の研究者グループは、これらの構造を数秒で発見できる、機械学習に基づく代替手法が開発されました。彼らの新しいモデルは、化学者が燃料化合物や医薬品などの付加価値の高い有用な製品を生成するための新しい反応や触媒を探索および設計するのに役立つ可能性があります。さらに、このモデルは、初期の地球における生命の進化の鍵となるような、自然に発生する化学反応をシミュレートすることができます。

MITの化学工学および化学教授であるヘザー・クリクは、遷移状態の特定の構造を理解することは、触媒を設計したり、自然システムが特定の変換をどのように実行するかを理解するために非常に重要であると指摘しました

関連研究成果は「正確な「オブジェクト認識等変素反応拡散モデルによる遷移状態生成」」と題され、トップ国際ジャーナル「Nature Computational Science」に掲載されました。

MIT の Duan Chenru 博士がこの論文の筆頭著者であり、コーネル大学の博士課程学生 Du Yuanqi、MIT の博士課程学生 Jia Haojun、および MIT の Heather Kulik 教授が共著者です。紙。元のリンク: [https://rdcu.be/dtGSF]

論文を表示するには、次のリンクをクリックしてください: https://www.nature.com/articles /s43588- 023-00563-7

MIT ニュースでもこの研究について報告されました

レポートリンク: https://news.mit.edu/2023 /computational-model-captures-elusive-transition-states-1215

書き直す必要があるのは次のとおりです: 理論上の困難

現在、化学者は次の方法で遷移状態を計算できます。密度汎関数理論に基づく量子化学計算。しかし、この方法は大量の計算リソースを必要とし、遷移状態の計算を完了するまでに数時間、場合によっては数日かかります。

長い計算時間の問題を解決するために、一部の研究者は最近、試みを始めています。機械学習モデルを使用して遷移状態構造を発見します。ただし、これまでに開発されたほとんどすべてのモデルでは、2 つの反応物が相互に特定の幾何学的構成を維持しながら、全体としてモデル化されることが必要です。その他の可能な構成は、機械学習モデルによって新しい反応として誤認されます。

Duan Chenru 博士は、反応物質の分子が回転しても、原理的には回転の前後でも同じ化学反応を経験できると述べました。 。水の電気分解について話すときと同じように、特定の条件下で水が酸素と水素に変換されることだけを述べ、これらの分子の相対的な幾何学的位置については説明しません。しかし、従来の機械学習手法では、モデルは異なる幾何学的位置での反応物と生成物の反応を 2 つの異なる反応として扱います。これにより、機械学習トレーニングがより困難になり、精度が低下します

拡散モデルは、画像処理で広く使用されている生成モデルです。最近では、拡散モデルは、3D 分子構造やタンパク質構造、タンパク質とリガンドのドッキング、構造に基づいた薬剤設計の生成にも使用されています。これらのアプリケーションでは、拡散モデルは 3D 特殊ユークリッド群 (SE(3)) グラフ ニューラル ネットワーク (GNN) を使用して、分子の整列、並進対称、回転対称を維持します。ただし、素反応は反応物、遷移状態、生成物で構成され、「オブジェクトを意識した」SE(3) 対称性に従います。これは、素反応における３つの物体の相互作用が３次元ユークリッド空間で行われるのではなく、高次元の電子位置エネルギー面上での因果関係であるからである。したがって、SE(3) GNN に基づく既存の拡散モデルは、対称性の破壊により問題が発生する可能性があります。

図: 「オブジェクト認識」SE(3) など。と、SE(3) 等変 GNN に基づくその実装。 (出典: 論文)

解決策

MITチームは、上記の問題に基づいて「OA-ReactDiff」と呼ばれる新しい手法を開発しました。チームは、SE(3) 等変 GNN を「オブジェクト認識」シミュレーションに適応させました。つまり、ユークリッド空間での独立した相互作用を維持しながら、個々のオブジェクトの SE(3) 等変性を維持しました

Duan Chenru 博士は次のように述べています。拡散モデルは生成人工知能の分野の一部であり、ランダムなプロセスを通じて単純な分布と複雑な分布の間の変換プロセスを捕捉します。モデルがこれら 3 つの構造がどのように共存するかの基本的な分布を学習したら、モデルに新しい反応物と生成物を与えることができ、それらの反応物と生成物に対応する遷移状態構造を生成しようとします

#図: 分子システムのサンプルを生成するために使用される等変拡散モデル (EDM) の概要。 (出典: 論文)

この研究では、研究者らは量子コンピューティング手法を使用して、トレーニング セット内の 9,000 の異なる化学反応の反応物質、遷移状態、生成物の構造を取得しました。また、各遷移状態について 40 の可能な構造を生成する必要がある、これまでに見たことのない約 1,000 の反応もテストしました。

計算プロセスでは、どの遷移が最も信頼度が高いかを予測するための「推奨モデル」が導入されました。これに基づいて、さらに不確実性の推定と組み合わせて、研究者らはモデルの不確実性が最も高い反応の 14% に対してのみ量子化学計算を実行し、平均絶対誤差 2.6 kcal/mol を達成することに成功しました。これにより、OA-ReactDiff を使用して 300°C での反応速度を推定する際に、結果を 1 桁の誤差以内に収めることができます。量子化学計算で得られた遷移状態構造と比較すると、OA-ReactDiff で生成された構造の二乗平均平方根誤差 (RMSD) は 0.06 オングストローム (1000 分の 6 ナノメートル) の範囲にあり、誤差の大きさはほとんど区別できません。肉眼では

さらに嬉しいのは、OA-ReactDiff が遷移状態構造を生成するのにかかる時間はわずか 6 秒であり、これは量子化学計算よりも少なくとも 1000 倍高速です。その結果、このアルゴリズムは、TS 構造と反応エネルギー障壁の計算において、極めて高い精度と迅速性を達成することに成功しました。

図: OA-ReactDiff によって生成された TS 構造と実際の TS 構造の間の構造類似性を評価します。 (出典: 論文)

クーリク教授も、「一度の思考で何千もの遷移状態を生成できるとは想像するのが困難でした。」

# と嘆いています。 ##書き換えが必要な内容は以下のとおりです。 図: OA-ReactDiff plus は TS 構造のエネルギー性能を推奨しています。 （出典：論文）

将来期待とは、将来に対する期待や希望のことです。それは、その人の将来の発展と成長に対するビジョンです。誰もがそれぞれの将来の期待を持っています。それは、個人的な目標を達成すること、キャリアでの成功を追求すること、幸せな家庭を築くこと、社会に積極的に貢献することなどです。将来の期待がどのようなものであっても、それは人々が一生懸命働く動機と方向性です。ハードワークと粘り強さを通じて、私たちは将来の期待を徐々に実現し、生活をより良く、より充実したものにすることができます

書き直す必要があるのは: この研究は化学反応に 3D を使用した最初の研究です 拡散モデル。研究者らは原子数が少ない (原子数 25 個未満) 化合物のみを研究しましたが、この研究の重要性は無視できません。シミュレーションは反応について訓練されましたが、モデル全体がより大きな原子の反応も正確に予測できることがわかりました。分子です。

クリク教授は、「より大きな系や酵素触媒系に直面した場合でも、原子が最も再配列する可能性が高いさまざまな方法を得ることが可能です。」

研究者らは現在、触媒などの他のコンポーネントを追加してモデルを拡張することを計画しています。生成 AI のランダム性を利用して、OA-ReactDiff は予期せぬ化学反応を探索できます。この機能は、既存の化学ベースの直感的な反応探索フレームワークを補完し、より完全な化学反応ネットワークの確立を支援し、新しい触媒材料の研究開発を支援します。この分野の研究は、特定の反応のための新しい触媒の発見を加速するのに役立ちます。さらに、彼らが提案したアルゴリズムは、特に合成に多くの化学ステップが含まれる場合、薬物、燃料、またはその他の有用な化合物の新しいプロセスを開発するのに役立つ可能性があります。

Duan Chenru博士は、以前はこれらの計算はすべて量子化学手法を使用して実行されていたが、現在では量子化学をより高速な生成モデルに置き換えることができると指摘しました

研究者らは次のようにも指摘しました。化学反応 化学研究の核心です。産業用途に偏った触媒設計に加えて、OA-ReactDiff には、他の惑星で発生する可能性のあるガス相互作用の調査、地球上の初期生命の進化中の反応プロセスのシミュレーションなど、多くの興味深い潜在的な用途もあります

以上がAI 錬金術が化学に革命を起こす: MIT の学者が生成 AI を使用して 6 秒で新しい化学反応を生成の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。