Poiché la chimica è diventata più avanzata e le reazioni chimiche più complesse, non è più sempre pratico per i ricercatori sedersi a un banco di laboratorio e iniziare a mescolare sostanze chimiche per vedere cosa riescono a ottenere.

Tom Miller, un professore di chimica al Caltech; Matt Welborn, uno studioso post-dottorato presso il Resnick Sustainability Institute; e Lixue Cheng, uno studente laureato in chimica e ingegneria chimica, hanno sviluppato un nuovo strumento che utilizza l'apprendimento automatico per prevedere le reazioni chimiche molto prima che i reagenti raggiungano la provetta.

Il loro non è il primo strumento di calcolo sviluppato per fare previsioni chimiche, ma migliora ciò che è già in uso, e questo è importante perché questo tipo di previsioni stanno avendo un grande impatto sul campo.

"Ci permettono di collegare le proprietà microscopiche sottostanti alle cose a cui teniamo nel mondo macroscopico, " Dice Miller. "Queste previsioni ci consentono di sapere in anticipo se un catalizzatore funzionerà meglio di un altro e di identificare nuovi farmaci candidati".

Richiedono anche molto lavoro di calcolo pesante. Miller sottolinea che una frazione sostanziale di tutto il tempo dei supercomputer sulla Terra è dedicata alle previsioni chimiche, quindi l'aumento dell'efficienza può far risparmiare molto tempo e denaro ai ricercatori.

Il lavoro dei ricercatori del Caltech fornisce essenzialmente un cambiamento di focus per il software di previsione. Gli strumenti precedenti si basavano su tre metodi di modellazione computazionale noti come teoria del funzionale della densità (DFT), teoria dei cluster accoppiati (CC), o teoria delle perturbazioni di Møller-Plesset (MP2). Queste teorie rappresentano tre diversi approcci per approssimare una soluzione all'equazione di Schrödinger, che descrive sistemi complessi in cui la meccanica quantistica gioca un ruolo importante.

Ognuna di queste teorie ha i suoi vantaggi e svantaggi. DFT è una specie di approccio rapido e sporco che fornisce ai ricercatori risposte più rapide ma con meno precisione. CC e MP2 sono molto più precisi ma richiedono più tempo per il calcolo e utilizzano molta più potenza di calcolo.

Mugnaio, Cheng, e lo strumento di Welborn infila l'ago, dando loro accesso a previsioni più accurate di quelle create con DFT e in meno tempo di quanto CC e MP2 possano offrire. Lo fanno concentrando il loro algoritmo di apprendimento automatico sulle proprietà degli orbitali molecolari, la nuvola di elettroni attorno a una molecola. Strumenti già esistenti, in contrasto, concentrati sui tipi di atomi in una molecola o sugli angoli ai quali gli atomi sono legati insieme.

Finora, il loro approccio sta mostrando molte promesse, sebbene sia stato utilizzato solo per fare previsioni su sistemi relativamente semplici. La vera prova, Miller dice, è vedere come si comporterà su problemi chimici più complicati. Ancora, è ottimista sulla base dei risultati preliminari.

"Se riusciamo a farlo funzionare, sarà un grosso problema per il modo in cui i computer vengono utilizzati per studiare i problemi chimici, " dice. "Siamo molto entusiasti."

Il lavoro è descritto in un documento intitolato "Transferability in Machine Learning for Electronic Structure via the Molecular Orbital Basis" che appare nel Journal of Chemical Theory and Computation .