Une avancée révolutionnaire en matière de machine learning a ouvert la voie à des progrès significatifs dans les domaines de la chimie et des sciences des matériaux. Les chercheurs du Laboratoire National de Los Alamos ont créé avec succès des potentiels interatomiques en machine learning capables de prédire les énergies moléculaires et les forces agissant sur les atomes. Cette innovation permet des simulations hautement efficaces qui font gagner du temps et des ressources par rapport aux méthodes computationnelles traditionnelles.
L’approche conventionnelle des simulations en dynamique moléculaire en chimie s’est appuyée sur des modèles computationnels basés sur la physique tels que les champs de force classiques ou la mécanique quantique. Alors que les modèles quantiques sont précis, ils sont coûteux en termes de calcul. En revanche, les champs de force classiques sont efficaces en termes de calcul mais manquent de précision et ne conviennent qu’à des systèmes spécifiques. Le nouveau modèle en machine learning, ANI-1xnr, comble ce fossé en combinant vitesse, précision et généralité.
L’ANI-1xnr est le premier potentiel interatomique réactif en machine learning à rivaliser avec les modèles computationnels basés sur la physique pour des simulations atomistiques réactives à grande échelle. Il présente l’avantage unique d’être applicable à un large éventail de systèmes chimiques sans nécessiter de réajustement constant. L’automatisation du flux de travail, qui intègre des simulations de dynamique moléculaire réactive, a permis l’étude approfondie de divers systèmes chimiques contenant du carbone, de l’hydrogène, de l’azote et de l’oxygène.
L’ANI-1xnr a fait preuve de sa polyvalence en étudiant avec succès une série de systèmes, dont les transitions de phase du carbone, la combustion et la chimie prébiotique. Les simulations ont été validées en comparant les résultats avec des expériences et des techniques computationnelles classiques.
Une partie intégrante du flux de travail est l’utilisation de simulations de nanoréacteurs, qui explorent de manière autonome l’espace chimique réactif. Cette approche novatrice élimine le besoin d’intuition humaine en provoquant des réactions chimiques par des collisions à haute vitesse de molécules. L’apprentissage actif, un autre élément clé, exploite le potentiel en machine learning de l’ANI-1xnr pour piloter la dynamique des nanoréacteurs et sélectionner des structures présentant des niveaux élevés d’incertitude. Cette méthodologie garantit une précision et une fiabilité accrues dans les simulations.
Le développement de l’ANI-1xnr représente une avancée significative dans le domaine de la chimie réactive à grande échelle. Contrairement aux techniques de modélisation précédentes, l’ANI-1xnr ne nécessite pas d’expertise sectorielle ou de réajustement constant pour chaque nouveau cas d’utilisation. La possibilité d’étudier une chimie inconnue est désormais accessible à des scientifiques issus de divers domaines.
Pour faciliter de nouvelles recherches et collaborations, l’équipe de recherche a mis à disposition de la communauté scientifique le jeu de données utilisé et le code ANI-1xnr.
FAQ
The source of the article is from the blog combopop.com.br