DeepMind AI risina vienu no vērtīgākajām ķīmijas metodēm

Londonas mākslīgā intelekta firmas DeepMind zinātnieku vadītā komanda ir izstrādājusi mašīnmācības modeli, kas liecina par molekulas īpašībām, prognozējot elektronu sadalījumu tajā. 10. decembra numurā aprakstītā pieeja Zinātne¹Dažu molekulu īpašības var aprēķināt ar lielāku precizitāti nekā ar pašreizējām metodēm.

“Padarīt to tikpat precīzu kā viņi ir sasniegums,” saka Anatole fon Lilienfelds, Vīnes universitātes materiālu zinātnieks.

Katarzyna Bernal, skaitļošanas ķīmiķe no Lodzas Tehnoloģiju universitātes Polijā, saka, ka pētnieciskais dokuments ir “izturīgs darbs”. Taču viņa piebilst, ka mašīnmācības modelim ir tāls ceļš ejams, pirms tas kļūs noderīgs skaitļošanas ķīmiķiem.

prognozēšanas īpašības

Principā visu materiālu un molekulu struktūru nosaka kvantu mehānika, īpaši Šrēdingera vienādojums, kas regulē elektronu viļņu funkciju uzvedību. Tie ir matemātiski rīki, kas apraksta varbūtību atrast konkrētu elektronu noteiktā kosmosa vietā. Bet, tā kā visi elektroni mijiedarbojas viens ar otru, molekulārās struktūras vai orbitāļu aprēķināšana pēc šiem pirmajiem principiem ir skaitļošanas murgs, un to var izdarīt tikai visvienkāršākajām molekulām, piemēram, benzolam, saka Džeimss Kirkpatriks, DeepMind fiziķis.

Lai apietu šo problēmu, pētnieki — no farmakologiem līdz akumulatoru inženieriem —, kuru darbs pie jaunu molekulu atklāšanas vai izstrādes gadu desmitiem ir paļāvies uz metožu kopumu, ko sauc par blīvuma funkcionālo teoriju (DFT), lai prognozētu molekulu fizikālās īpašības. Teorija nemēģina modelēt atsevišķus elektronus, bet tā mērķis ir aprēķināt elektronu negatīvā elektriskā lādiņa vispārējo sadalījumu pa molekulu. “DFT aplūko vidējo lādiņa blīvumu, tāpēc tas nezina, kādi ir atsevišķie elektroni,” saka Kirkpatriks. Lielāko daļu materiāla īpašību pēc tam var viegli aprēķināt no šī blīvuma.

Kopš pirmsākumiem 1960. gados DFT ir kļuvusi par vienu no visplašāk izmantotajām tehnoloģijām fiziskajās zinātnēs. rūdījums rakstursZiņu komanda 2014. gadā konstatēja, ka Starp 100 visvairāk citētajiem rakstiem, 12 bija par DFT. Mūsdienu materiālu īpašību datu bāzes, piemēram, uzmetuma materiāls, galvenokārt no DFT kontiem.

Taču šai pieejai ir ierobežojumi, un ir zināms, ka tā sniedz nepatiesus rezultātus noteikta veida molekulām, pat dažām tik vienkāršām kā nātrija hlorīds. Lai gan DFT aprēķini ir daudz efektīvāki nekā tie, kas sākas ar pamata kvantu teoriju, tie joprojām ir apgrūtinoši un bieži vien ir nepieciešami superdatori. Tāpēc pēdējo desmit gadu laikā teorētiskie ķīmiķi arvien vairāk ir sākuši eksperimentēt ar mašīnmācību, jo īpaši Raksturlielumu pētījums Piemēram, vielu ķīmiskā reakcija vai to spēja vadīt siltumu.

ideāla problēma

DeepMind komanda ir veikusi, iespējams, līdz šim vērienīgāko mēģinājumu izmantot mākslīgo intelektu, lai aprēķinātu elektronu blīvumu, kas ir DFT aprēķinu gala rezultāts. “Tā ir ideāla mašīnmācīšanās problēma: jūs zināt atbildi, bet ne formulu, kuru vēlaties lietot,” saka Ārons Koens, ilggadējs DFT teorētiskais ķīmiķis, kurš tagad strādā DeepMind.

Komanda apmācīja mākslīgo neironu tīklu, izmantojot datus no 1161 precīza risinājuma, kas iegūts no Šrēdingera vienādojumiem. Lai uzlabotu precizitāti, viņi tīklam pievienoja arī dažus zināmus fizikas likumus. Pēc tam viņi pārbaudīja apmācīto sistēmu molekulu grupā, ko bieži izmantoja kā DFT standartu, un rezultāti bija pārsteidzoši, saka fon Lilienfelds. “Tas ir labākais, ko sabiedrība var nākt klajā, un viņi to pārspēj tikai nedaudz,” viņš saka.

Fon Lilienfelds piebilst, ka viena no mašīnmācības priekšrocībām ir tā, ka, lai gan modeļu apmācībai ir nepieciešams milzīgs skaitļošanas jaudas apjoms, šis process ir jāveic tikai vienu reizi. Atsevišķas prognozes pēc tam var veikt parastā klēpjdatorā, ievērojami samazinot tā izmaksas un oglekļa pēdas nospiedumu, salīdzinot ar to, ka aprēķini katru reizi jāveic no nulles.

Kirkpatriks un Koens saka, ka DeepMind izlaiž savu apmācīto sistēmu, lai tās varētu izmantot ikviens. Pašlaik modelis galvenokārt attiecas uz molekulām, nevis uz materiālu kristāliskajām struktūrām, bet turpmākās versijas varētu darboties arī ar materiāliem, saka autori.