intelligence-artificielle-outil-chimie

Comme la chimie est devenue plus avancée et les réactions chimiques plus complexes, il n’est plus toujours pratique pour les chercheurs de s’asseoir sur un banc de laboratoire et de commencer à mélanger des produits chimiques pour voir ce qu’ils peuvent trouver.

L’IA pour prédire les réactions chimiques

Tom Miller, professeur de chimie à Caltech, Matt Welborn, chercheur post-doctoral au Resnick Sustainability Institute et Lixue Cheng, une étudiante diplômée en chimie et en génie chimique, a mis au point un nouvel outil qui utilise l’apprentissage automatique pour prédire les réactions chimiques bien avant que les réactifs n’atteignent le tube à essai.

Ce n’est pas le premier outil informatique développé pour faire des prédictions chimiques, mais il améliore ce qui est déjà utilisé, et c’est important car ces types de prédictions ont un impact important sur le terrain. « Ils nous permettent de relier les propriétés microscopiques sous-jacentes aux choses qui sont importantes dans le monde macroscopique », explique M. Miller. « Ces prévisions nous permettent de savoir à l’avance si l’un des catalyseurs fonctionnera mieux qu’un autre et identifier de nouveaux candidats-médicaments. »

Ils requièrent également beaucoup de lourdes charges de calcul. Miller souligne qu’une fraction substantielle du temps passé sur les superordinateurs sur Terre est consacrée aux prédictions de la chimie, de sorte que des gains d’efficacité peuvent permettre aux chercheurs d’économiser beaucoup de temps et d’argent.

Des logiciels de prédiction plus efficaces

Les travaux des chercheurs de Caltech fournissent essentiellement un changement d’orientation pour les logiciels de prédiction. Les précédents outils étaient basés sur trois méthodes de modélisation computationnelle connues sous le nom de théorie de la fonctionnelle de la densité (DFT), méthode du cluster couplé (CC) ou théorie de la perturbation de Møller-Plesset (MP2). Ces théories représentent trois méthodes différentes pour approcher une solution de l’équation de Schrödinger, qui décrit des systèmes complexes dans lesquels la mécanique quantique joue un grand rôle.

Chacune de ces théories et méthodes a ses avantages et ses inconvénients. La DFT est une approche rapide qui permet aux chercheurs de répondre plus rapidement, mais avec moins de précision. CC et MP2 sont beaucoup plus précis, mais prennent plus de temps à calculer et utilisent beaucoup plus de puissance de calcul.

L’outil de Miller, Cheng et Welborn leur donne accès à des prédictions plus précises que celles créées avec la DFT et en moins de temps que celles que peuvent offrir la CC et la MP2. Ils le font en concentrant leur algorithme d’apprentissage automatique sur les propriétés des orbitales moléculaires – le nuage d’électrons autour d’une molécule.

Les outils déjà existants, en revanche, se concentrent uniquement sur les types d’atomes dans une molécule ou les angles auxquels les atomes sont liés ensemble.

Des résultats prometteurs

Jusqu’à présent, leur approche a été très prometteuse, même si elle n’a été utilisée que pour faire des prédictions sur des systèmes relativement simples. Le vrai test, explique Miller, est de voir comment cet outil fonctionnera sur des problèmes chimiques plus complexes. Il reste optimiste sur la base des résultats préliminaires.

« Si nous pouvons faire fonctionner cet outil, ce sera un grand pas avec la manière dont les ordinateurs sont utilisés pour étudier les problèmes chimiques », explique-t-il. « Nous sommes très excités à ce sujet. »

Cette recherche a été publiée dans the Journal of Chemical Theory and Computation.

Source et crédit image : Caltech