شیمیدانان میتوانند از این روش محاسباتی سریع برای طراحی واکنشهای کارآمدتر که ترکیبات مفیدی از سوختها تا داروها تولید میکنند، استفاده کنند.
هنگامی که شیمیدانان واکنشهای شیمیایی جدیدی را طراحی میکنند، یکی از اطلاعات مفید، حالت گذار واکنش است - نقطهای بدون بازگشت که از آن واکنش باید ادامه یابد.
این اطلاعات به شیمیدانان اجازه میدهد تا شرایط مناسبی را برای وقوع واکنش مورد نظر ایجاد کنند. با این حال، روشهای فعلی برای پیشبینی حالت گذار و مسیری که یک واکنش شیمیایی طی میکند، پیچیده هستند و به مقدار زیادی قدرت محاسباتی نیاز دارند.
محققان MIT اکنون یک مدل یادگیری ماشین توسعه دادهاند که میتواند این پیشبینیها را در کمتر از یک ثانیه با دقت بالا انجام دهد. مدل آنها میتواند طراحی واکنشهای شیمیایی را برای شیمیدانان آسانتر کند، واکنشهایی که میتوانند انواع ترکیبات مفید مانند داروها یا سوختها را تولید کنند.
هدر کولیک، استاد مهندسی شیمی Lammot du Pont، استاد شیمی و نویسنده ارشد مطالعه جدید میگوید: «ما مایلیم در نهایت فرآیندهایی را طراحی کنیم تا منابع طبیعی فراوان را گرفته و آنها را به مولکولهایی تبدیل کنیم که به آنها نیاز داریم، مانند مواد و داروهای درمانی. شیمی محاسباتی برای فهمیدن چگونگی طراحی فرآیندهای پایدارتر برای رساندن ما از واکنشدهندهها به محصولات واقعاً مهم است.»
چنرو دوان، فارغالتحصیل سابق MIT (دکترای 22)، که اکنون در Deep Principle است؛ گوان-هورنگ لیو، فارغالتحصیل سابق Georgia Tech، که اکنون در Meta است؛ و Yuanqi Du، دانشجوی فارغالتحصیل دانشگاه کرنل، نویسندگان اصلی این مقاله هستند که امروز در Nature Machine Intelligence منتشر شده است.
برآوردهای بهتر
برای وقوع هر واکنش شیمیایی معین، باید از یک حالت گذار عبور کند که زمانی رخ میدهد که به آستانه انرژی مورد نیاز برای ادامه واکنش برسد. این حالتهای گذار آنقدر زودگذر هستند که تقریباً غیرممکن است به طور تجربی مشاهده شوند.
به عنوان یک جایگزین، محققان میتوانند ساختارهای حالتهای گذار را با استفاده از تکنیکهای مبتنی بر شیمی کوانتومی محاسبه کنند. با این حال، این فرآیند به مقدار زیادی قدرت محاسباتی نیاز دارد و میتواند ساعتها یا روزها طول بکشد تا یک حالت گذار واحد را محاسبه کند.
کولیک میگوید: «به طور ایدهآل، ما مایلیم بتوانیم از شیمی محاسباتی برای طراحی فرآیندهای پایدارتر استفاده کنیم، اما این محاسبه به خودی خود استفاده زیادی از انرژی و منابع در یافتن این حالتهای گذار است.»
در سال 2023، کولیک، دوان و دیگران گزارش دادند در مورد یک استراتژی یادگیری ماشین که برای پیشبینی حالتهای گذار واکنشها توسعه دادهاند. این استراتژی سریعتر از استفاده از تکنیکهای شیمی کوانتومی است، اما هنوز کندتر از آنچه ایدهآل است، زیرا مدل باید حدود 40 ساختار تولید کند، سپس آن پیشبینیها را از طریق یک "مدل اطمینان" اجرا کند تا پیشبینی کند کدام حالتها احتمال بیشتری برای وقوع دارند.
یکی از دلایلی که این مدل باید اینقدر بار اجرا شود این است که از حدسهای تولید شده به طور تصادفی برای نقطه شروع ساختار حالت گذار استفاده میکند، سپس دهها محاسبه انجام میدهد تا به حدس نهایی و بهترین خود برسد. این نقاط شروع تولید شده به طور تصادفی ممکن است از حالت گذار واقعی بسیار دور باشند، به همین دلیل است که به مراحل زیادی نیاز است.
مدل جدید محققان، React-OT، که در مقاله Nature Machine Intelligence شرح داده شده است، از یک استراتژی متفاوت استفاده میکند. در این کار، محققان مدل خود را آموزش دادند تا از تخمینی از حالت گذار تولید شده توسط درونیابی خطی شروع کند - تکنیکی که موقعیت هر اتم را با حرکت دادن آن در نیمه راه بین موقعیت آن در واکنشدهندهها و در محصولات، در فضای سه بعدی تخمین میزند.
کولیک میگوید: «یک حدس خطی یک نقطه شروع خوب برای تقریب زدن جایی است که آن حالت گذار به آنجا ختم میشود. کاری که مدل انجام میدهد این است که از یک حدس اولیه بسیار بهتر از یک حدس کاملاً تصادفی، مانند کار قبلی، شروع میکند.»
به همین دلیل، مدل به مراحل کمتر و زمان کمتری برای تولید یک پیشبینی نیاز دارد. در مطالعه جدید، محققان نشان دادند که مدل آنها میتواند پیشبینیها را تنها با حدود پنج مرحله انجام دهد که حدود 0.4 ثانیه طول میکشد. این پیشبینیها نیازی به تغذیه از طریق یک مدل اطمینان ندارند و حدود 25 درصد دقیقتر از پیشبینیهای تولید شده توسط مدل قبلی هستند.
دوان میگوید: «این واقعاً React-OT را به یک مدل عملی تبدیل میکند که میتوانیم مستقیماً آن را در گردش کار محاسباتی موجود در غربالگری با توان بالا ادغام کنیم تا ساختارهای حالت گذار بهینه تولید کنیم.»
"مجموعه گستردهای از شیمی"
برای ایجاد React-OT، محققان آن را بر روی همان مجموعه دادهای آموزش دادند که برای آموزش مدل قدیمیتر خود استفاده کردند. این دادهها حاوی ساختارهای واکنشدهندهها، محصولات و حالتهای گذار هستند که با استفاده از روشهای شیمی کوانتومی برای 9000 واکنش شیمیایی مختلف محاسبه شدهاند که بیشتر شامل مولکولهای کوچک آلی یا معدنی هستند.
پس از آموزش، مدل عملکرد خوبی در سایر واکنشهای این مجموعه داشت که از دادههای آموزشی حذف شده بودند. همچنین عملکرد خوبی در انواع دیگر واکنشهایی داشت که روی آنها آموزش ندیده بود و میتوانست پیشبینیهای دقیقی در مورد واکنشهایی با واکنشدهندههای بزرگتر انجام دهد، که اغلب دارای زنجیرههای جانبی هستند که مستقیماً در واکنش دخیل نیستند.
کولیک میگوید: «این مهم است زیرا واکنشهای پلیمریزاسیون زیادی وجود دارد که در آن یک ماکرومولکول بزرگ دارید، اما واکنش فقط در یک قسمت رخ میدهد. داشتن مدلی که در اندازههای مختلف سیستم تعمیم مییابد، به این معنی است که میتواند مجموعه گستردهای از شیمی را حل کند.»
محققان اکنون در حال کار بر روی آموزش مدل هستند تا بتواند حالتهای گذار برای واکنشهای بین مولکولهایی را پیشبینی کند که شامل عناصر اضافی از جمله گوگرد، فسفر، کلر، سیلیکون و لیتیوم هستند.
مارکوس رایهر، استاد شیمی نظری در ETH زوریخ، که در این مطالعه شرکت نداشت، میگوید: «پیشبینی سریع ساختارهای حالت گذار کلید درک شیمی است. رویکرد جدید ارائه شده در این مقاله میتواند تا حد زیادی فرآیندهای جستجو و بهینهسازی ما را تسریع کند و ما را سریعتر به نتیجه نهایی برساند. در نتیجه، انرژی کمتری نیز در این کمپینهای محاسباتی با کارایی بالا مصرف خواهد شد. هر پیشرفتی که این بهینهسازی را تسریع کند، به انواع تحقیقات شیمیایی محاسباتی سود میرساند.»
تیم MIT امیدوار است که سایر دانشمندان از رویکرد آنها در طراحی واکنشهای خود استفاده کنند و یک برنامه برای این منظور ایجاد کردهاند.
دوان میگوید: «هر زمان که یک واکنشدهنده و محصول داشته باشید، میتوانید آنها را در مدل قرار دهید و حالت گذار را ایجاد میکند، که از آن میتوانید مانع انرژی واکنش مورد نظر خود را تخمین بزنید و ببینید که چقدر احتمال دارد رخ دهد.»
این تحقیق توسط دفتر تحقیقات ارتش ایالات متحده، دفتر تحقیقات پایه وزارت دفاع ایالات متحده، دفتر تحقیقات علمی نیروی هوایی ایالات متحده، بنیاد ملی علوم و دفتر تحقیقات دریایی ایالات متحده تأمین شده است.