Chimica quantistica, lo studio delle proprietà e dei processi chimici su scala quantistica, ha aperto molte strade alla ricerca e alla scoperta nella chimica moderna. Senza mai maneggiare un bicchiere o una provetta, i chimici possono fare previsioni sulle proprietà di un dato atomo o molecola e su come subirà reazioni chimiche studiando la sua struttura elettronica - come i suoi elettroni sono disposti negli orbitali - e come questi elettroni interagiscono con quelli di altri composti o atomi.

Però, potente come la chimica quantistica ha dimostrato di essere, ha anche un grosso svantaggio:calcoli accurati richiedono molto tempo e risorse, con studi chimici di routine che comportano calcoli che richiedono giorni o più.

Ora, grazie a un nuovo strumento di chimica quantistica che utilizza l'apprendimento automatico, calcoli di chimica quantistica possono essere eseguiti 1, 000 volte più veloce di quanto fosse possibile in precedenza, consentendo un'accurata ricerca sulla chimica quantistica da eseguire più velocemente che mai.

Lo strumento, chiamato OrbNet, è stato sviluppato attraverso una partnership tra Tom Miller di Caltech, professore di chimica, e Anima Anandkumar, Bren Professore di Informatica e Scienze Matematiche.

"Nella chimica quantistica, c'è stata un'interazione punitiva tra l'accuratezza del calcolo e la quantità di tempo necessaria, " dice Miller. "Cominceresti un calcolo, e direi, 'Bene, ci vediamo martedì.' Ma ora, i calcoli possono essere eseguiti in modo interattivo."

OrbNet utilizza una rete neurale a grafo, un tipo di sistema di apprendimento automatico che rappresenta le informazioni come "nodi, " che contengono dati, e "bordi, " che rappresentano i modi in cui quei blocchi di dati sono correlati tra loro.

Miller afferma che OrbNet funziona altrettanto bene grazie a un'innovazione nel modo in cui atomi e molecole sono mappati sulla rete neurale del grafico che si basa sull'equazione di Schrödinger, un pezzo di matematica centrale per la meccanica quantistica.

"Le precedenti architetture di grafi avevano organizzato gli atomi come nodi e i legami tra gli atomi come bordi, ma non è così che la pensa la chimica quantistica, "dice. "Allora, Invece, abbiamo costruito un grafico in cui i nodi sono gli orbitali elettronici, ei bordi sono interazioni tra gli orbitali. Questo ha una connessione molto più naturale con l'equazione di Schrödinger".

Come tutti i sistemi di apprendimento automatico, OrbNet deve essere addestrato per eseguire un compito assegnato, simile a come una persona che ottiene un nuovo lavoro deve essere formata per questo. OrbNet ha imparato a prevedere le proprietà molecolari sulla base di accurati calcoli quantistici di riferimento. Anandkumar, la cui ricerca si concentra sull'apprendimento automatico, ha aiutato a progettare e ottimizzare l'implementazione della rete neurale del grafico.

"Orbnet è un ottimo esempio di modello di deep learning che utilizza funzionalità specifiche del dominio:in questo caso, orbitali molecolari. Ciò consente al modello di apprendimento automatico di eseguire con precisione i calcoli su molecole molto più grandi, fino a 10 volte più grande, rispetto alle molecole presenti nei dati di allenamento, " Dice Anandkumar. "Per un modello standard di deep learning, tale estrapolazione è impossibile poiché impara solo ad interpolare sui dati di training. Sfruttare la conoscenza del dominio degli orbitali molecolari è stato essenziale per noi per ottenere la trasferibilità a molecole più grandi.

Attualmente, OrbNet è stato addestrato su circa 100, 000 molecole, che secondo Miller gli consente di eseguire molti calcoli utili per i ricercatori, ma gli sforzi in corso mirano a ridimensionarlo a set di dati di addestramento più grandi.

"La previsione delle proprietà molecolari ha molti vantaggi pratici. Ad esempio, OrbNet può essere utilizzato per prevedere la struttura delle molecole, il modo in cui reagiranno, se sono solubili in acqua, o come si legheranno a una proteina, " lui dice.

Miller afferma che il lavoro futuro su OrbNet si concentrerà sull'ampliamento della gamma di attività per cui può essere utilizzato attraverso una formazione aggiuntiva.

"Abbiamo dimostrato che funziona per un piccolo angolo della chimica organica, ma non c'è nulla che ci impedisca di espandere l'approccio ad altri domini applicativi, " lui dice.

Il documento che descrive OrbNet, intitolato, "OrbNet:Deep Learning per la chimica quantistica utilizzando caratteristiche atomico-orbitali adattate alla simmetria, " è stato pubblicato nel Giornale di Fisica Chimica il 25 settembre e selezionato come Editor's Pick.