El nuevo modelo predice una reacción química que el enfoque de retorno

Esta información permite a los químicos tratar de crear las condiciones correctas que permiten la necesidad de presentar la respuesta deseada. Sin embargo, los métodos actuales y las reacciones químicas para predecir el estado de transición son complicados y necesitan mucha potencia computacional.

Los investigadores del MIT ahora han desarrollado un modelo de aprendizaje automático que puede hacer estas predicciones con alta precisión en menos de un segundo. Su modelo puede facilitar que los químicos diseñen una reacción química que pueda producir numerosos compuestos útiles, como productos farmacéuticos o combustible.

“Queremos poder diseñar los recursos naturales y finalmente diseñar los procesos para convertirlos en moléculas, como materiales y medicamentos para el tratamiento. La química competitiva es realmente importante para saber cómo sacarnos de los productos para obtener procesos más sostenibles al producto”.

El ex alumno graduado del MIT Chenro Duan PhD ’22, que ahora tiene un principio profundo. El ex alumno graduado de Georgia Tech, Guan Harling Liu, que ahora está en Meta. Y el estudiante graduado de la Universidad de Cornell, Yuanki Doo, es el principal autor de la disertación, que aparece hoy Inteligencia de la máquina de la naturaleza.

Estimación mejorada

De cualquier reacción química. , Debe pasar por el estado de transición, que ocurre cuando alcanza la energía requerida para la reacción de avanzar. Estos estados de transición son tan frecuentes que es casi imposible observarlos experimentalmente.

Como alternativa, los investigadores pueden calcular la estructura de los estados de transferencia utilizando técnicas de química cuántica. Sin embargo, este proceso requiere una gran necesidad de energía informática y puede llevar horas o días calcular la misma condición de transferencia.

“Idealmente, queremos poder usar la química computacional para diseñar procesos más sostenibles, pero este recuento es un gran uso de energía y recursos para encontrar estos estados de transferencia”, dice Kolkata.

En 2023, Kolkata, Duan y otros informaron la estrategia de aprendizaje automático que prepararon para predecir los estados de transferencia de reacción. Esta estrategia es más rápida que el uso de técnicas de química cuántica, pero aún es mucho más lenta de lo que será ideal porque requiere unas 40 estructuras, luego ejecuta estas predicciones a través de un “modelo de confianza” para predecir qué estados probablemente sean.

Una de las razones es que este modelo debe ejecutarse con tanta frecuencia, utiliza los supuestos preparados para el inicio de la estructura del estado de transferencia, luego hace docenas de cálculos hasta que alcanza sus mejores estimaciones finales. Esto estará lejos del estado de transición original, por lo que se necesitan muchos pasos.

El nuevo modelo de investigadores, reacciones, que se describe Inteligencia de la máquina de la naturaleza El documento utiliza una estrategia diferente. En este trabajo, los investigadores capacitaron a su modelo para comenzar con las estimaciones de la condición de transferencia creada por la interformación lineal, una técnica que estima la posición de cada átomo para moverlo a medio camino en un lugar tridimensional, en los reactores y productos.

“Una estimación lineal es un buen punto donde terminará la transición”, dice Kolkata. “Lo que el modelo está haciendo es comenzar con una estimación inicial mucho mejor que una estimación aleatoria, como está en proceso”.

Debido a esto, el modelo toma menos pasos y menos tiempo para hacer esta predicción. En una nueva investigación, los investigadores han demostrado que su modelo puede predecir con solo cinco pasos, lo que tomará aproximadamente 0.4 segundos. Estas predicciones no necesitan ser alimentadas a través de un modelo de confianza, y son aproximadamente un 25 % más precisos que las predicciones presentadas por el modelo anterior.

“Realmente crea un modelo práctico que podemos conectar directamente al flujo de trabajo computacional existente en una detección de alto nivel para desarrollar una estructura de estado de transferencia máxima”.

“Una amplia fila de química”

El OT de referencia, los investigadores lo entrenaron en los mismos datos que usó para entrenar a su antiguo modelo. Estos datos incluyen reactores, productos y estados de transferencia, que se calculan para 9,000 reacciones químicas diferentes, utilizando métodos de química cuántica, que incluyen principalmente moléculas orgánicas o inorgánicas pequeñas.

Una vez entrenado, el modelo funcionó bien en la segunda reacción del conjunto, que no tenía datos de entrenamiento. También funcionó bien en el segundo tipo de reacción, que no fue entrenada, y podría hacer predicciones precisas para incluir reacción con reactores grandes, a menudo tienen cadenas laterales que no reaccionan directamente.

“Es importante que haya muchas reacciones a la polimerización en las que tiene un gran macromoleico, pero la reacción es solo en una parte. Ser un modelo de normalización de diferentes sistemas significa que puede lidiar con una amplia gama de química”.

Los investigadores ahora están trabajando en el entrenamiento modelo para que puedan predecir los estados de transición para la reacción entre las moléculas, incluidos elementos adicionales, incluidos azufre, fósforo, cloro, silicio y litio.

El equipo del MIT espera que otros científicos utilicen su enfoque para diseñar su propia reacción y hayan creado una aplicación para este propósito.

“Siempre que tenga un reactivo y un producto, puede colocarlos en el modelo y crear un estado de transición, donde puede evaluar la obstrucción energética de su reacción deseada y ver cuánto es probable que sea”,

La investigación fue proporcionada por la Oficina de Investigación del Ejército de EE. UU., La Oficina de Investigación Básica del Departamento de Defensa de los Estados Unidos, la investigación científica de la Fuerza Aérea de los Estados Unidos, la Fundación Nacional de Ciencias y la Oficina de Investigación Naval de los Estados Unidos.