Quando os químicos projetam novas reações químicas, a reação de uma informação útil está associada à condição de transformação – o ponto de um retorno do qual qualquer resposta deve avançar.
Essas informações permitem que os químicos tentem criar as condições certas que permitem que a resposta desejada ocorra. No entanto, os procedimentos atuais requerem uma quantidade complexa e grande de poder de cálculo para prever a maneira como as condições de conversão e as reações químicas serão tomadas.
Os pesquisadores do MIT criaram agora um modelo de aprendizado de máquina que pode produzir essas previsões em menos de um segundo com alta precisão. Seu modelo pode tornar as reações químicas mais fáceis para os químicos, que podem produzir diferentes tipos de compostos úteis, como produtos farmacêuticos ou combustível.
“Finalizamos os processos para obter muitos recursos naturais e podemos transformar nossas moléculas necessárias, como materiais e medicamentos para tratamento, podem se transformar em nossas moléculas necessárias. A contagem de química é realmente importante para determinar como reagir aos nossos vendedores”, “cálculo químico é verdadeiramente importante”, químico lam Pant Praphsar, lam Pant Praphsar, Lam Pant Praph.
O ex -aluno do MIT Chenrowan Duan PhD ’22, que agora está em uma política profunda; O ex-aluno da Georgia Tech, Guan-Hornag Liu, que agora está em meta; E estudante de pós -graduação da Universidade do Coronel Yuanki du Paper, que está presente hoje Intelecto da máquina da naturezaO
O melhor palpite
Para ter qualquer reação química, ela deve passar por uma condição de transição, que ocorre quando a reação atinge a margem de energia para avançar. Esses estados de transformação são tão transitórios que são quase impossíveis de observar experimentalmente.
Como alternativa, os pesquisadores podem calcular a estrutura do estado de transição usando técnicas com base na química quântica. No entanto, esse processo requer muito poder de computação e pode levar horas ou dias para calcular o status de conversão única.
“Idealmente, queremos poder usar a química computacional para o design de processos mais sustentáveis, mas esse cálculo em si é um enorme uso de energia e recursos”, diz Kulik.
Em 2023, Kulik, Duan e outros relataram uma técnica de aprendizado de máquina que eles desenvolveram para prever as condições de transformação das reações. Essa técnica é mais rápida do que usar técnicas químicas quânticas, mas ainda mais lenta que o ideal, porque exige que o modelo produza cerca de 40 estruturas e, em seguida, execute essas previsões através do “Modelo de Confiança” para prever o que mais aconteceu.
Uma das razões pelas quais esse modelo precisa ser executado tantas vezes é que ele usa estimativas geradas aleatoriamente para o ponto inicial da estrutura do estado de transição e, em seguida, realiza algumas dezenas de contagens até a melhor estimativa final. Esses pontos iniciais gerados aleatoriamente podem estar muito longe do estado de conversão real, e é por isso que tantas etapas precisam.
Novo modelo dos pesquisadores, resposta-ot, descrita nele Intelecto da máquina da natureza Papel, usando uma técnica diferente. Neste trabalho, os pesquisadores treinaram seu modelo para começar a partir de uma estimativa do estado de transição produzido pela estratégia linear Interplass-A que assume a localização de cada átomo em espaços tridimensionais e sua posição nos produtos.
Kulik diz: “A estimativa de Linar é um bom ponto de partida para tornar esse estado de transição acabar”. “O que o modelo está fazendo é exatamente como o trabalho anterior é uma suposição preliminar melhor do que apenas uma suposição aleatória completa” “
Por esse motivo, o modelo toma menos etapas e menos tempo para fazer previsões. Em novos estudos, os pesquisadores mostraram que seu modelo pode prever com cerca de cinco etapas por cerca de 0,4 segundos. Essas previsões não precisam ser alimentadas através de um modelo de confiança e são cerca de 25 % mais precisas do que as previsões produzidas pelo modelo anterior.
“Este é realmente um modelo de reação fora do Otraic que podemos integrar diretamente o fluxo de trabalho computacional existente em uma tela de alta Thrup para criar a melhor estrutura de estado de transição”, diz Duan.
“Uma ampla gama de química”
Para criar uma resposta-os pesquisadores o treinaram no mesmo conjunto de dados que eles treinaram seu modelo antigo. Esses dados contêm a estrutura dos reagentes, produtos e estados de transição, usando métodos químicos quânticos para 9.000 reações químicas diferentes, envolvendo principalmente pequenas moléculas orgânicas ou inorgânicas.
Uma vez treinado, o modelo teve um bom desempenho em outras respostas desse conjunto, que saiu dos dados de treinamento. Ele também tem um bom desempenho em outros tipos de reações que não foi treinado e pode fazer a previsão certa envolvendo reação a reagentes maiores, que geralmente contêm disciplina colateral que não está diretamente envolvida na resposta.
“Isso é importante porque há muita reação de polimerização em que você tem um grande macromólico, mas a reação só está acontecendo em uma parte. Existe um modelo de generalização em diferentes sistemas que significa que ele pode lidar com uma ampla química”, diz Kulik.
Os pesquisadores agora estão trabalhando para treinar o modelo, para que ele possa prever os estados de transição para reação, incluindo enxofre, fósforo, cloro, silicone e lítio.
A equipe do MIT espera que outros cientistas usem sua abordagem ao seu próprio design de resposta e tenham criado um aplicativo para esse fim.
“Sempre que você tiver um reagente e um produto, você pode colocá -los no modelo e ele criará um estado de transição, a partir do qual você pode adivinhar a barreira de poder à sua resposta pretendida e ver como é provável que seja”, diz Duan.
Este estudo foi financiado pelo Escritório de Pesquisa do Exército dos EUA, Escritório de Pesquisa Básica do Departamento de Defesa dos EUA, Escritório de Pesquisa Científica da Força Aérea dos EUA, Fundação Nacional de Ciências e Escritório de Pesquisa Naval dos EUA.