Chemie wird computerisiert

Machine-Learning-Modelle können schnell und genau wichtige chemische Parameter im Zusammenhang mit der molekularen Reaktivität abschätzen

27.08.2020 - Saudi-Arabien

Die Schaffung von Computern, die sich selbst beibringen können, wie die chemische Struktur die grundlegenden Eigenschaften von Molekülen bestimmt, und dann dieses Wissen zur Vorhersage der Eigenschaften neuartiger Moleküle zu nutzen, könnte dazu beitragen, sauberere Energie- und Industriesysteme zu entwerfen.

KAUST-Forscher haben ein maschinelles Lernmodell entwickelt, das die Struktur von Kohlenwasserstoffmolekülen analysieren und eine Eigenschaft namens Bildungsenthalpie genau vorhersagen kann. Wenn es um die Schätzung dieser Eigenschaft geht, macht das Modell bereits bessere Vorhersagen als herkömmliche Ansätze, und seine Genauigkeit wird sich nur verbessern, wenn mehr Daten gesammelt werden, aus denen das Modell lernen kann.

"Daten über molekulare Eigenschaften, wie die Bildungsenthalpie, sind für Ingenieure, die die kinetischen Mechanismen oder Energieflüsse chemischer Reaktionen modellieren, von wesentlicher Bedeutung", sagt Kiran Yalamanchi, ein Doktorand in der Forschungsgruppe von Mani Sarathy, die die Forschung leitete. "Kinetische Mechanismen für Kohlenwasserstoff-Brennstoffe sind wichtig für die Entwicklung und Optimierung von Motorkonstruktionen und chemischen Reaktoren", sagt Yalamanchi.

Automatisierte Vorhersage chemischer Reaktionen: Jetzt in Stereo

Verfahren zur Suche nach Reaktionswegen sagt die genaue Stereochemie perizyklischer Reaktionen nur anhand der Struktur des Zielmoleküls voraus

News lesen

Für die Generierung der großen thermodynamischen Datensätze, die für die Modellierung kinetischer Mechanismen erforderlich sind, wird in der Regel ein Ansatz namens Gruppenadditivität verwendet, der eine begrenzte Genauigkeit aufweist. "Die Gruppenadditivität wurde Mitte des 20. Jahrhunderts entwickelt, und der Bereich der Datenwissenschaft hat in den letzten Jahrzehnten große Fortschritte gemacht", sagt Yalamanchi.

Also wandten sich Yalamanchi und Sarathy an den KAUST-Informatiker Xin Gao, um das maschinelle Lernen auf das Problem anzuwenden. "Unsere erste Studie ergab sehr vielversprechende Ergebnisse", sagt Yalamanchi. "Dieses Potenzial half uns, die Konvergenz des maschinellen Lernens mit der Erzeugung thermodynamischer Daten voranzutreiben.

Das maschinelle Lernen bietet eine Möglichkeit, die Enthalpie von Formationsdaten - experimentell gemessen oder für eine kleine Anzahl von Molekülen mit hochpräzisen, aber langsamen quantenchemischen Berechnungen berechnet - zu nehmen und dann auf ein viel breiteres Spektrum von Molekülen zu extrapolieren.

Das maschinelle Lernprogramm analysierte einen "Trainings"-Datensatz von Molekülstrukturen und ihren Bildungsenthalpien. Anschließend verwendete es die entdeckten Muster, um die Bildungsenthalpie von Molekülen vorherzusagen, die es zuvor noch nicht gesehen hatte.

Das maschinelle Lernen erwies sich als viel genauer als der traditionelle Ansatz der Gruppenadditivität. "Wir haben mit den Methoden des maschinellen Lernens bessere Schätzungen der Enthalpie der Bildung chemischer Spezies erhalten als mit den traditionellen Methoden", sagt Yalamanchi.

Obwohl zum Beispiel die traditionelle Gruppenadditivität für einfache Moleküle mit linearen Strukturen relativ gute Vorhersagen machen kann, nimmt ihre Genauigkeit bei komplexeren Molekülen ab, wie zum Beispiel solchen, die Kohlenstoffringe in ihre Struktur einbauen. "Die Verbesserung, die wir bei den Schätzungen der Bildungsenthalpie im Vergleich zur traditionellen Gruppenadditivität gesehen haben, war im Fall von zyklischen Spezies sogar noch signifikanter", fügt Yalamanchi hinzu.

"Die Ergebnisse deuten darauf hin, dass das maschinelle Lernen zu einem immer wichtigeren Werkzeug in diesem Bereich werden wird", sagt Sarathy. "Die Fähigkeit, wichtige thermodynamische Eigenschaften aus molekularen Deskriptoren genau vorherzusagen, ist ein wichtiger Schritt zur Entwicklung vollautomatischer Algorithmen für die Vorhersage komplexerer chemischer Phänomene", fügt er hinzu.

Das Team führt nun hochgenaue quantenchemische Berechnungen durch, um den Trainingsdatensatz der maschinellen Lernmodelle zu erweitern. "Auf diese Weise entwickeln wir ein hybrides Rahmenwerk der künstlichen Intelligenz auf der Grundlage der ersten Prinzipien für genauere Vorhersagen vieler physikalisch-chemischer Eigenschaften", sagt Sarathy.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.