世界

化学反応を予測するための新しい生成AIアプローチは、精度と信頼性を向上させる

花（電子再分布のための流れの一致）システムにより、研究者は反応ですべての電子を明示的に追跡し、化学反応の結果を予測するプロセスで何も追加または削除されないことを確認できます。クレジット：マサチューセッツ工科大学 新しい人工知能モデル（LLM）の力を活用して、新しい化学反応の結果を予測しようとする多くの試みがなされてきました。これらは限られた成功を収めていました。これは、これまで、質量の保全法則などの基本的な物理的原則の理解に基づいていなかったためです。 現在、MITの研究者チームは、これらの物理的制約を反応予測モデルに組み込む方法を考案し、したがって、その出力の精度と信頼性を大幅に改善しています。 新しい作品はジャーナルで報告されています 自然、最近のPostdoc Joonyoung Joung（現在は韓国Kookmin大学の助教授）による論文で。元ソフトウェアエンジニアのMun Hong Fong（現在はデューク大学）。化学工学の大学院生ニコラス・カセッティ。ポスドクジョーダンライルズ;物理学の学部学生ne dassanayake;また、1957年のMIT化学工学および電気工学およびコンピューターサイエンスの部門のキャリア開発教授のクラスである上級著者のコナー・コーリー。 「反応結果の予測は非常に重要な作業です」とJoung氏は説明します。たとえば、新薬を作りたい場合は、「それを作る方法を知る必要があります。したがって、これは、どの製品が特定の化学物質入力が反応に起因する可能性があるかを知る必要がある」と言います。 しかし、このような予測を実行するための以前の努力のほとんどは、中間のステップを調べたり、実際の反応では不可能な質量が得られたり失われたりしないことを保証する制約を考慮せずに、一連の入力と出力のセットのみを見ています。 Joungは、ChatGPTなどの大規模な言語モデルは多くの研究分野で非常に成功しているが、これらのモデルは、質量の保存に従うことを要求するなど、物理的に現実的な可能性に出力を制限する方法を提供しないと指摘しています。これらのモデルは、この場合は個々の原子を表す計算「トークン」を使用します。 しかし、彼は、「トークンを節約しないと、LLMモデルは新しい原子の作成を開始したり、反応で原子を削除したりします。」と彼は言います。 「これは錬金術のようなものです」という本当の科学的理解に基づいている代わりに、彼は付け加えます。反応予測の多くの試みは、最終製品のみを見ていますが、「すべての化学物質を追跡し、化学物質がどのように変換されるかを追跡したい」反応プロセス全体を通して最初から最後まで、と彼は言います。 問題に対処するために、チームは、1970年代に化学者のIvar Ugiによって開発された方法を利用しました。これは、結合電子マトリックスを使用して反応で電子を表します。彼らは、このシステムを新しいプログラムの基礎として使用しました。これは、Flower（電子再分布のためのフローマッチング）と呼ばれ、反応のすべての電子を明示的に追跡して、プロセスでスパイラルに追加または削除されていることを確認します。 システムはマトリックスを使用して反応で電子を表し、非ゼロ値を使用して結合または孤立電子ペアとゼロを表して、その欠如を表します。 「それは私たちが同時に原子と電子の両方を節約するのに役立ちます」とフォンは言います。この表現は、予測システムに大量の保全を含めるための重要な要素の1つだったと彼は言います。 彼らが開発したシステムはまだ初期段階にあります、とColeyは言います。 「現状のシステムはデモンストレーションです。この流れマッチングのこの生成的アプローチは、化学反応予測のタスクに非常に適しているという概念の証明です。」 最新の科学、技術、スペースを発見してください 100,000人の加入者 毎日の洞察をPhys.orgに頼っている人。無料のニュースレターにサインアップし、問題が重要なブレークスルー、イノベーション、研究の最新情報を入手してください。毎日または毎週。 チームはこの有望なアプローチに興奮していますが、「見たさまざまな化学の幅広さに関しては、具体的な制限があることを認識しています」と彼は言います。このモデルは、米国の特許庁データベースから得られた100万件以上の化学反応に関するデータを使用して訓練されましたが、これらのデータには特定の金属やいくつかの種類の触媒反応は含まれていません。 「既存のシステムから、化学メカニズムのこのような信頼できる予測を取得できるという事実に非常に興奮しています」と彼は言います。 「それは質量を節約し、電子を節約しますが、今後数年間でも取り組むべき膨張と堅牢性がもっと多くあることを確かに認めています。」 しかし、オンラインプラットフォームGithubを通じて自由に利用できる現在の形式でさえ、「正確な予測を行い、反応性を評価し、反応経路をマッピングするためのツールとして役立つと思います」とColey氏は言います。 「機械的理解の芸術を本当に進め、新しい反応を発明するのを助ける未来に目を向けているなら、私たちはそこには完全ではありません。しかし、これがそれに向かって足がかりになることを願っています。」 「それはすべてオープンソースです」とフォンは言います。 「モデル、データ、それらはすべてそこにあります」。これは、既知の反応の機構的なステップを徹底的にリストするJoungによって開発された以前のデータセットを含む。 「私たちはこのデータセットを作成し、オープンソースを利用できるようにし、これをすべての人に使用できるようにする先駆的なグループの1つだと思います」と彼は言います。 フラワーモデルは、標準的な機械的経路を見つける際に既存のアプローチと一致または上回ると、チームは述べており、以前に見えた反応タイプに一般化することを可能にします。彼らは、このモデルは、薬化学、材料の発見、燃焼、大気化学、および電気化学システムの反応を予測するために潜在的に関連する可能性があると言います。 既存の反応予測システムとの比較において、Coley氏は、「私たちが行ったアーキテクチャの選択を使用して、妥当性と保全のこの大幅な増加を得て、パフォーマンスの面で一致するか、少し良い精度を得る」と述べています。 彼は、「私たちのアプローチのユニークなことは、これらの教科書のメカニズムの理解を使用してこのデータセットを生成している間、特許文献からの実験的に検証されたデータにおける全体的な反応の反応物と産物を固定していることです。」 彼らは、単にそれらを補うのではなく、根本的なメカニズムを推測していると彼は言います。 「私たちは実験データからそれらを帰属させていますが、それは以前にこの種の規模で行われ共有されたものではありません。」 次のステップについて話すと、「私たちはモデルの金属と触媒サイクルの理解を拡大することに非常に興味があります。この最初の論文で表面を傷つけただけです」と述べています。…