DeepMind AI se zabývá jednou z nejcennějších chemických technik

Tým vedený vědci z londýnské firmy DeepMind pro umělou inteligenci vyvinul model strojového učení, který navrhuje vlastnosti molekuly předpovídáním distribuce elektronů v ní. Přístup popsaný ve vydání z 10. prosince Věda¹Vlastnosti některých molekul lze vypočítat s větší přesností než současné techniky.

„Udělat to tak přesné, jako oni, je úspěch,“ říká Anatole von Lilienfeld, materiálový vědec z Vídeňské univerzity.

Katarzyna Bernal, počítačová chemička z Lodžské technické univerzity v Polsku, říká, že výzkumný dokument je „silná práce“. Ale dodává, že model strojového učení má před sebou ještě dlouhou cestu, než se stane užitečným pro počítačové chemiky.

predikční vlastnosti

V zásadě je celá struktura materiálů a molekul určena kvantovou mechanikou, konkrétně Schrödingerovou rovnicí, která řídí chování vlnových funkcí elektronu. Jedná se o matematické nástroje, které popisují pravděpodobnost nalezení konkrétního elektronu na určitém místě ve vesmíru. Ale protože všechny elektrony na sebe vzájemně působí, je výpočet molekulární struktury nebo orbitalů z těchto prvních principů výpočetní noční můrou a lze to provést pouze pro ty nejjednodušší molekuly, jako je benzen, říká James Kirkpatrick, fyzik z DeepMind.

Aby se tento problém obešel, vědci – od farmakologů po bateriové inženýry – jejichž práce na objevování nebo vývoji nových molekul po celá desetiletí spoléhala na soubor technik nazývaných teorie funkce hustoty (DFT), aby předpovídaly fyzikální vlastnosti molekul. Teorie se nepokouší modelovat jednotlivé elektrony, ale místo toho si klade za cíl vypočítat obecnou distribuci záporného elektrického náboje elektronů napříč molekulou. „DFT se dívá na průměrnou hustotu náboje, takže neví, jaké jsou jednotlivé elektrony,“ říká Kirkpatrick. Z této hustoty se pak dá snadno vypočítat většina vlastností materiálu.

Od svých počátků v 60. letech se DFT stala jednou z nejpoužívanějších technologií ve fyzikálních vědách. temperamentní povahaTým News v roce 2014 zjistil, že Mezi 100 nejcitovanějšími články, 12 se týkalo DFT. Moderní databáze vlastností materiálů, jako např návrhový materiál, převážně z účtů DFT.

Ale tento přístup má omezení a je známo, že poskytuje falešné výsledky pro určité typy molekul, dokonce některé tak jednoduché, jako je chlorid sodný. Ačkoli jsou výpočty DFT mnohem efektivnější než ty, které začínají základní kvantovou teorií, jsou stále těžkopádné a často vyžadují superpočítače. Teoretickí chemici proto v posledním desetiletí stále více začali experimentovat zejména se strojovým učením Charakteristická studie Jako je chemická reakce látek nebo jejich schopnost vést teplo.

dokonalý problém

Tým DeepMind učinil možná dosud nejambicióznější pokus o nasazení umělé inteligence pro výpočet elektronové hustoty, což je konečný výsledek výpočtů DFT. „Je to tak trochu dokonalý problém strojového učení: Znáte odpověď, ale ne vzorec, který chcete použít,“ říká Aaron Cohen, dlouholetý teoretický chemik DFT, který je nyní v DeepMind.

Tým trénoval umělou neuronovou síť na datech z 1161 přesných řešení odvozených ze Schrödingerových rovnic. Pro zlepšení přesnosti také připojili k mřížce některé známé fyzikální zákony. Poté testovali trénovaný systém na skupině molekul často používaných jako standard pro DFT a výsledky byly ohromující, říká von Lilienfeld. „Tohle je to nejlepší, co mohla komunita vymyslet, a těsně to překonali,“ říká.

Von Lilienfeld dodává, že jednou z výhod strojového učení je to, že ačkoliv k trénování modelů vyžaduje ohromné ​​množství výpočetního výkonu, tento proces stačí provést pouze jednou. Jednotlivé předpovědi pak lze provádět na běžném přenosném počítači, což výrazně snižuje jeho náklady a uhlíkovou stopu ve srovnání s tím, že byste museli provádět výpočty pokaždé od začátku.

Kirkpatrick a Cohen říkají, že DeepMind vydává jejich vyškolený systém pro kohokoli. V současné době se model vztahuje spíše na molekuly než na krystalové struktury materiálů, ale budoucí verze by mohly pracovat i s materiály, říkají autoři.