Forscher entwickeln neue Methode des maschinellen Lernens für die Modellierung von chemischen Reaktionen
Forscher der Carnegie Mellon University und des Los Alamos National Laboratory haben mithilfe von maschinellem Lernen ein Modell entwickelt, das reaktive Prozesse in einer Vielzahl von organischen Materialien und unter verschiedenen Bedingungen simulieren kann.
"Es handelt sich um ein Werkzeug, das zur Untersuchung weiterer Reaktionen in diesem Bereich eingesetzt werden kann", so Shuhao Zhang, Doktorand am Fachbereich Chemie der Carnegie Mellon University. "Wir können eine vollständige Simulation der Reaktionsmechanismen anbieten."
Zhang ist der Erstautor des Artikels "Exploring the Frontiers of Chemistry with a General Reactive Machine Learning Potential", der am 7. März in Nature Chemistry veröffentlicht wird und in dem die Entwicklung und die Ergebnisse dieses neuen maschinellen Lernmodells erläutert werden.
Zwar haben Forscher schon früher Reaktionen simuliert, aber die bisherigen Methoden hatten mehrere Probleme. Reaktive Kraftfeldmodelle sind relativ weit verbreitet, aber sie erfordern in der Regel ein Training für bestimmte Reaktionstypen. Traditionelle quantenmechanische Modelle, bei denen chemische Reaktionen auf der Grundlage der zugrundeliegenden Physik simuliert werden, können auf beliebige Materialien und Moleküle angewandt werden, aber diese Modelle erfordern den Einsatz von Supercomputern.
Dieses neue allgemeine maschinelle interatomare Lernpotenzial (ANI-1xnr) kann Simulationen für beliebige Materialien durchführen, die die Elemente Kohlenstoff, Wasserstoff, Stickstoff und Sauerstoff enthalten, und benötigt deutlich weniger Rechenleistung und Zeit als herkömmliche quantenmechanische Modelle. Laut Olexandr Isayev, außerordentlicher Professor für Chemie an der Carnegie Mellon University und Leiter des Labors, in dem das Modell entwickelt wurde, ist dieser Durchbruch auf die Entwicklungen im Bereich des maschinellen Lernens zurückzuführen.
"Das maschinelle Lernen entwickelt sich zu einem leistungsfähigen Ansatz, um verschiedene Formen übertragbarer atomistischer Potenziale unter Verwendung von Regressionsalgorithmen zu konstruieren. Das übergeordnete Ziel dieses Projekts ist die Entwicklung einer maschinellen Lernmethode, die in der Lage ist, die Reaktionsenergetik und -raten für chemische Prozesse mit hoher Genauigkeit, aber sehr geringen Rechenkosten vorherzusagen", so Isayev. "Wir haben gezeigt, dass diese maschinellen Lernmodelle auf hohem Niveau der Quantenmechaniktheorie trainiert werden können und erfolgreich Energien und Kräfte mit quantenmechanischer Genauigkeit und einer Geschwindigkeitssteigerung von 6-7 Größenordnungen vorhersagen können. Dies ist ein neues Paradigma bei reaktiven Simulationen."
Die Forscher testeten ANI-1xnr an verschiedenen chemischen Problemen, darunter der Vergleich von Biokraftstoffzusätzen und die Verfolgung der Methanverbrennung. Sie haben sogar das Miller-Experiment nachgestellt, ein berühmtes chemisches Experiment, mit dem die Entstehung des Lebens auf der Erde demonstriert werden sollte. Anhand dieses Experiments stellten sie fest, dass das ANI-1xnr-Modell in Systemen mit kondensierter Phase genaue Ergebnisse liefert.
Zhang sagte, dass das Modell möglicherweise auch für andere Bereiche der Chemie verwendet werden könnte, wenn es weiter ausgebildet wird.
"Wir haben herausgefunden, dass es potenziell für die Simulation biochemischer Prozesse wie enzymatischer Reaktionen verwendet werden kann", so Zhang. "Wir haben es nicht für eine solche Verwendung konzipiert, aber nach einer Modifikation kann es für diesen Zweck verwendet werden.
Für die Zukunft plant das Team, ANI-1xnr zu verfeinern, damit es mit mehr Elementen und in mehr chemischen Bereichen arbeiten kann, und sie werden versuchen, den Umfang der Reaktionen, die es verarbeiten kann, zu vergrößern. Dadurch könnte es in mehreren Bereichen eingesetzt werden, in denen die Entwicklung neuer chemischer Reaktionen von Bedeutung sein könnte, z. B. in der Arzneimittelforschung.
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.
Originalveröffentlichung
Shuhao Zhang, Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Olexandr Isayev, Nicholas Lubbers, Richard A. Messerly, Justin S. Smith; "Exploring the frontiers of condensed-phase chemistry with a general reactive machine learning potential"; Nature Chemistry, 2024-3-7
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
