Lo sviluppo, disponibile su GitHub, è pronto ad accelerare i progressi nella scienza dei materiali, rendendo l’esplorazione delle reazioni chimiche più accessibile ed efficiente. Ciò potrebbe portare a scoperte scientifiche e innovazioni tecnologiche più rapide.

Nelle reazioni chimiche, le sostanze si trasformano da uno stato energeticamente stabile a un altro, passando attraverso uno stato di transizione instabile. Questo processo è simile a trovare il percorso a quota più bassa sopra una montagna quando si attraversa da un lato all'altro. Comprendere lo stato di transizione, il culmine di questo metaforico sentiero di montagna, è fondamentale per una profonda comprensione dei meccanismi di reazione.

Tuttavia, a causa della natura transitoria e instabile di questi stati, la loro osservazione e identificazione sperimentale sono impegnative e spesso richiedono l'esplorazione computazionale.

Questo studio si concentra sui metodi computazionali per trovare uno stato di transizione tra un reagente noto e un prodotto. Questo tipo di ricerca dello stato di transizione ottimizza il percorso che collega il prodotto e il reagente in modo che passi attraverso lo stato di transizione. Poiché il percorso è solitamente rappresentato da più punti sul percorso (spesso chiamati immagini), il percorso viene effettivamente ottimizzato aggiornando in modo incrementale le immagini.

Il metodo più comunemente utilizzato oggi è il metodo Nudged Elastic Band (NEB). Una delle principali sfide di questo metodo è che è computazionalmente costoso. Ci sono due ragioni principali per questo. Uno è che richiede un gran numero di immagini per aumentare la risoluzione della ricerca. L'altro motivo è che il principio di ricerca non è variazionale (ovvero minimizza una funzione obiettivo), quindi anche il numero di aggiornamenti per immagine tende ad essere elevato.

Il metodo recentemente implementato in questo studio risolve in modo innovativo questi problemi. Innanzitutto il numero di immagini può essere ridotto a circa 3, poiché viene cercata intensamente solo la regione attorno allo stato di transizione. Inoltre, il principio di ricerca è variazionale, quindi può essere risolto in modo più efficiente. Nello specifico, la funzione obiettivo è definita come l'integrale lineare dell'esponenziale dell'energia lungo il percorso.

Le prestazioni del nuovo metodo sono state valutate su 121 reazioni chimiche e i risultati sono stati confrontati con il metodo NEB e la sua versione migliorata. Innanzitutto, il presente metodo identifica correttamente gli stati di transizione nel 98% dei casi. Questa precisione è molto più elevata rispetto al metodo NEB e paragonabile alla versione migliorata. In secondo luogo, il presente metodo ha mostrato una significativa riduzione del costo computazionale totale:circa il 70% in meno rispetto al metodo NEB e il 50% in meno rispetto alla sua versione migliorata.

Per facilitare un’applicazione più ampia, i ricercatori hanno reso disponibile il loro programma computazionale su GitHub. Scritto in Python e progettato per essere utilizzato con Atomic Simulation Environment (ASE), consente ai ricercatori di esplorare facilmente gli stati di transizione specificando reagenti e prodotti.

Guardando al futuro, le implicazioni di questa ricerca sono vaste. Rendendo le ricerche sugli stati di transizione più semplici e veloci, il metodo è pronto ad accelerare la ricerca e gli sviluppi in tutti i campi delle scienze naturali utilizzando la chimica computazionale.

La ricerca è pubblicata sul Journal of Chemical Theory and Computation .