Alkimia AI merevolusikan kimia: Sarjana MIT menggunakan AI generatif untuk menghasilkan tindak balas kimia baharu dalam enam saat

Apa yang perlu ditulis semula ialah: Editor | Kaixia

Kimia, bermula dari alkimia kuno "pertukaran setara", sentiasa menjadi disiplin yang mengkaji dan mengawal interaksi antara bahan. Dengan terus membuka kunci dan mengeksploitasi tindak balas kimia baharu, banyak bahan baharu telah dibangunkan. Bahan baharu ini bukan sahaja membawa kemudahan kepada kehidupan orang ramai, tetapi juga meningkatkan kecekapan penggunaan tenaga dan menggalakkan pembangunan mampan Satu tindak balas kimia asas terdiri daripada bahan tindak balas, keadaan peralihan (TS) dan produk. Keadaan peralihan ialah struktur 3D yang penting dalam kimia dan digunakan secara meluas untuk memahami mekanisme tindak balas kimia, menganggarkan halangan tenaga tindak balas dan meneroka rangkaian tindak balas yang luas. Walau bagaimanapun, disebabkan oleh masa yang sangat singkat (tertib femtosaat) di mana ia wujud semasa tindak balas, hampir mustahil untuk mengasingkan dan mencirikan keadaan peralihan secara eksperimen.

Kandungan yang ditulis semula: Biasanya, orang akan menggunakan kaedah pengiraan kimia kuantum untuk menentukan keadaan peralihan antara bahan tindak balas dan produk yang diketahui dengan menyelesaikan persamaan Schrödinger berulang kali. Walau bagaimanapun, kaedah pengiraan ini sangat mahal dan terkenal dengan kegagalannya yang kerap. Pada masa yang sama, kaedah ini dihadkan oleh pengalaman peribadi, intuisi dan sumber pengiraan, dan tindak balas kimia yang boleh diterokai oleh setiap orang juga terhad. Batasan ini amat membawa maut apabila mengkaji tindak balas kompleks yang tidak diketahui. Ia akan menyebabkan penyelidik mengabaikan beberapa kemungkinan tindak balas, dengan itu salah menilai mekanisme tindak balas, seterusnya menjejaskan reka bentuk bahan pemangkin

Sebagai tindak balas kepada masalah ini, sekumpulan penyelidik dari Massachusetts Institute of Technology (MIT) membangunkan kaedah Alternatif berdasarkan pembelajaran mesin boleh menemui struktur ini dalam beberapa saat. Model baharu mereka boleh membantu ahli kimia dalam meneroka dan mereka bentuk tindak balas dan pemangkin baharu untuk menjana produk berguna dengan nilai tambah yang tinggi, seperti sebatian bahan api atau farmaseutikal. Di samping itu, model ini dapat mensimulasikan tindak balas kimia yang berlaku secara semula jadi, seperti kunci kepada evolusi kehidupan di Bumi awal.

Heather Kulik, profesor kejuruteraan kimia dan kimia di MIT, menegaskan bahawa memahami struktur khusus keadaan peralihan adalah sangat penting untuk mereka bentuk pemangkin atau memahami cara sistem semula jadi melakukan transformasi tertentu

Kerja penyelidikan berkaitan bertajuk "Keadaan peralihan yang tepat generasi dengan "Model resapan tindak balas asas asas setara" yang sedar objek telah diterbitkan dalam jurnal antarabangsa teratas "Nature Computational Science".

Dr. Duan Chenru dari MIT ialah pengarang pertama kertas kerja, pelajar kedoktoran di Cornell University, Jia Haojun, pelajar kedoktoran di MIT, dan Profesor Heather Kulik dari MIT adalah pengarang bersama . Pautan asal: [https://rdcu.be/dtGSF]

Sila klik pautan berikut untuk melihat kertas: https://www.nature.com/articles/s43588-023-00563-7

MIT College News turut melaporkan kajian ini

Pautan laporan: https://news.mit.edu/2023/computational-model-captures-elusive-transition-states-1215

Perlu ditulis semula Kandungan ialah: Kesukaran Teori

Pada masa ini, ahli kimia boleh menggunakan kaedah pengiraan kimia kuantum berdasarkan teori fungsi ketumpatan untuk mengira keadaan peralihan. Walau bagaimanapun, kaedah ini memerlukan banyak sumber pengkomputeran, dan ia mengambil masa berjam-jam atau bahkan berhari-hari untuk menyelesaikan pengiraan keadaan peralihan

Untuk menyelesaikan masalah masa pengiraan yang panjang, beberapa penyelidik baru-baru ini mula mencuba menggunakan pembelajaran mesin model untuk menemui struktur keadaan peralihan. Walau bagaimanapun, hampir semua model yang dibangunkan sehingga kini memerlukan kedua-dua bahan tindak balas dimodelkan secara keseluruhan, dengan bahan tindak balas mengekalkan konfigurasi geometri tertentu berbanding satu sama lain. Sebarang konfigurasi lain yang mungkin akan disalah anggap oleh model pembelajaran mesin sebagai tindak balas baharu

Dr Duan Chenru berkata bahawa jika molekul bahan tindak balas diputar, pada dasarnya, ia masih boleh mengalami tindak balas kimia yang sama sebelum dan selepas putaran. Sama seperti apabila kita bercakap tentang mengelektrolisis air, kita hanya mengatakan bahawa air ditukar kepada oksigen dan hidrogen dalam keadaan tertentu, tanpa menerangkan kedudukan geometri relatif molekul-molekul ini. Tetapi dalam kaedah pembelajaran mesin tradisional, model akan menganggap tindak balas bahan tindak balas dan produk pada kedudukan geometri yang berbeza sebagai dua tindak balas yang berbeza. Ini menjadikan latihan pembelajaran mesin lebih sukar dan ketepatan akan berkurangan

Model resapan ialah model generatif yang telah digunakan secara meluas dalam pemprosesan imej. Baru-baru ini, model resapan juga telah digunakan untuk menjana struktur molekul dan protein 3D, dok ligan protein dan reka bentuk ubat berasaskan struktur. Dalam aplikasi ini, model resapan menggunakan rangkaian neural graf (GNN) kumpulan Euclidean khas 3D (SE(3)) untuk mengekalkan simetri penjajaran, translasi dan putaran molekul. Walau bagaimanapun, tindak balas asas terdiri daripada bahan tindak balas, keadaan peralihan, dan produk dan mengikut simetri SE(3) "sedar objek". Ini kerana interaksi antara tiga objek dalam tindak balas asas tidak dijalankan dalam ruang Euclidean 3D, tetapi merupakan sambungan sebab pada permukaan tenaga potensi elektronik berdimensi lebih tinggi. Oleh itu, model resapan sedia ada berdasarkan SE(3) GNN mungkin menghadapi masalah kerana kemusnahan simetri

Ilustrasi: Kesetaraan "Persepsi Objek" SE(3) dan kesetaraan SE(3)nya berdasarkan Pelaksanaan GNN . (Sumber: Kertas)

Penyelesaian

Pasukan di MIT membangunkan kaedah baharu yang dipanggil "OA-ReactDiff" berdasarkan masalah di atas. Pasukan melaraskan GNN kesetaraan SE(3) kepada simulasi "sedar objek", iaitu, mengekalkan kesetaraan SE(3) bagi satu objek sambil mengekalkan interaksi bebas mereka dalam ruang Euclidean

Dr bidang kecerdasan buatan generatif, yang menggunakan proses stokastik untuk menangkap transformasi antara pengedaran mudah dan kompleks. Setelah model mempelajari pengedaran asas bagaimana ketiga-tiga struktur ini wujud bersama, kita boleh memberikannya bahan tindak balas dan produk baharu dan ia akan cuba menjana struktur keadaan peralihan yang sepadan dengan bahan tindak balas dan produk tersebut

Ilustrasi : Gambaran Keseluruhan Model Resapan Setara (EDM) untuk menjana sampel sistem molekul. (Sumber: Kertas)

Dalam kajian itu, penyelidik menggunakan kaedah pengkomputeran kuantum untuk mendapatkan struktur bahan tindak balas, keadaan peralihan dan produk 9,000 tindak balas kimia yang berbeza dalam set latihan. Dan juga menguji kira-kira 1,000 tindak balas yang tidak kelihatan sebelum ini, memerlukan penjanaan 40 kemungkinan struktur untuk setiap keadaan peralihan

Semasa proses pengiraan, "model pengesyoran" telah diperkenalkan untuk meramalkan keyakinan keadaan peralihan mana yang Tertinggi. Atas dasar ini, digabungkan lagi dengan anggaran ketidakpastian, penyelidik hanya melakukan pengiraan kimia kuantum pada 14% tindak balas dengan ketidakpastian model tertinggi, berjaya mencapai ralat mutlak purata 2.6 kcal/mol. Ini membolehkan keputusan dalam susunan ralat magnitud apabila menggunakan OA-ReactDiff untuk menganggarkan kadar tindak balas pada 300°C. Berbanding dengan struktur keadaan peralihan yang diperolehi oleh pengiraan kimia kuantum, ralat min kuasa dua akar (RMSD) bagi struktur yang dihasilkan oleh OA-ReactDiff berada dalam julat 0.06 Angstrom (enam perseribu nanometer), magnitud ralat yang hampir tidak dapat dibezakan. pada mata kasar

Apa yang lebih menggembirakan ialah OA-ReactDiff hanya mengambil masa 6 saat untuk menjana struktur keadaan peralihan, iaitu sekurang-kurangnya 1000 kali lebih pantas daripada pengiraan kimia kuantum. Akibatnya, algoritma berjaya mencapai ketepatan dan kepantasan yang sangat tinggi dalam mengira struktur TS dan halangan tenaga tindak balas.

Ilustrasi: Menilai persamaan struktur antara struktur TS yang dihasilkan oleh OA-ReactDiff dan struktur TS sebenar. (Sumber: kertas)

Profesor Kulik juga mengeluh, "Sukar untuk kami membayangkan bahawa beribu-ribu keadaan peralihan boleh dijana hanya dalam satu pemikiran

Kandungan yang perlu ditulis semula ialah: Ilustrasi: OA- ReactDiff plus mengesyorkan prestasi tenaga struktur TS. (Sumber: Kertas)

Jangkaan masa depan adalah jangkaan dan harapan untuk masa depan. Ia adalah visi seseorang untuk perkembangan dan pertumbuhan masa depannya. Setiap orang mempunyai jangkaan masa depan mereka sendiri, yang boleh menjadi untuk mencapai matlamat peribadi, mengejar kejayaan kerjaya, membina keluarga bahagia, atau membuat sumbangan positif kepada masyarakat, dsb. Tidak kira apa jangkaan masa depan, ia adalah motivasi dan hala tuju untuk orang ramai bekerja keras. Melalui kerja keras dan ketekunan, kami dapat merealisasikan jangkaan masa depan kami secara beransur-ansur dan menjadikan kehidupan kami lebih baik dan lebih memuaskan

Apa yang perlu ditulis semula ialah: Penyelidikan ini adalah yang pertama menggunakan model resapan 3D dalam tindak balas kimia. Kepentingan kerja ini tidak boleh diabaikan, walaupun penyelidik hanya mengkaji sebatian dengan bilangan atom yang lebih kecil (

Profesor Kulik menegaskan: "Walaupun berhadapan dengan sistem yang lebih besar atau sistem pemangkin enzim, masih mungkin untuk mendapatkan maklumat tentang cara yang berbeza di mana atom berkemungkinan besar untuk menyusun semula."

Para penyelidik kini merancang untuk melanjutkan model mereka dengan menambah komponen lain, seperti pemangkin. Memanfaatkan rawak AI generatif, OA-ReactDiff boleh meneroka tindak balas kimia yang tidak dijangka. Ciri ini melengkapkan rangka kerja penerokaan tindak balas intuitif berasaskan kimia sedia ada, membantu mewujudkan rangkaian tindak balas kimia yang lebih lengkap, dan membantu dalam pembangunan dan reka bentuk bahan pemangkin baharu. Penyelidikan dalam bidang ini boleh membantu mereka mempercepatkan penemuan pemangkin baharu untuk tindak balas tertentu. Selain itu, algoritma cadangan mereka boleh berguna untuk membangunkan proses baharu untuk ubat, bahan api atau sebatian berguna lain, terutamanya apabila sintesis melibatkan banyak langkah kimia.

Dr. Duan Chenru menegaskan bahawa pada masa lalu, semua pengiraan ini dilakukan menggunakan kaedah kimia kuantum, tetapi kini kita boleh menggantikan kimia kuantum dengan model generatif yang lebih pantas

Para penyelidik juga menegaskan bahawa tindak balas kimia adalah teras penyelidikan kimia . Selain reka bentuk pemangkin yang berat sebelah terhadap aplikasi perindustrian, OA-ReactDiff juga mempunyai banyak potensi aplikasi yang menarik, seperti meneroka interaksi gas yang mungkin berlaku pada planet lain, meniru proses tindak balas semasa evolusi kehidupan awal di Bumi, dsb.

Atas ialah kandungan terperinci Alkimia AI merevolusikan kimia: Sarjana MIT menggunakan AI generatif untuk menghasilkan tindak balas kimia baharu dalam enam saat. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!