1709806360
2024-03-07 10:00:18
この記事は Science X に従ってレビューされています。 編集プロセス
そして ポリシー。
編集者 は、コンテンツの信頼性を確保しながら、次の属性を強調しました。
事実確認済み
査読済みの出版物
信頼できる情報源
校正する
わかりました！ クレジット: Shuhao Zhang、カーネギーメロン大学
×閉じる
クレジット: Shuhao Zhang、カーネギーメロン大学
カーネギー メロン大学とロス アラモス国立研究所の研究者は、機械学習を使用して、さまざまな有機材料と条件における反応プロセスをシミュレートできるモデルを作成しました。
「これは、この分野でのより多くの反応を研究するために使用できるツールです」とカーネギーメロン大学化学科の大学院生Shuhao Zhang氏は述べた。 「反応メカニズムの完全なシミュレーションを提供できます。」
Zhang は、Nature Chemistry に掲載された、この新しい機械学習モデルの作成と結果を説明する論文「Exploring the Frontiers of Chemis with a General Reactive Machine Learning Potential」の最初の著者です。
研究者らはこれまでに反応をシミュレーションしたことがあるが、以前の方法には複数の問題があった。 反力場モデルは比較的一般的ですが、通常は特定の反応タイプのトレーニングが必要です。 基礎となる物理学に基づいて化学反応をシミュレーションする量子力学を使用した従来のモデルは、あらゆる材料や分子に適用できますが、これらのモデルにはスーパーコンピューターを使用する必要があります。
この新しい汎用機械学習原子間ポテンシャル (ANI-1xnr) は、炭素、水素、窒素、酸素の元素を含む任意の材料のシミュレーションを実行でき、必要な計算能力と時間が従来の量子力学モデルよりも大幅に少なくなります。 カーネギーメロン大学の化学准教授であり、モデルが開発された研究室の責任者であるオレキサンドル・イサエフ氏によると、この画期的な進歩は機械学習の発展によるものです。
シミュレーションは、ANI-1xnr が生成できる反応を示します。 ANI-1xnr は、従来のシミュレーション モデルよりも少ない計算能力と時間を使用して、炭素などの有機材料の反応プロセスをシミュレーションできます。 このビデオは、「一般的な反応性機械学習の可能性を備えた凝縮相化学のフロンティアの探索」の筆頭著者であるカーネギー メロン大学の Shuhao Zhang 氏のご厚意によるものです。 クレジット: Shuhao Zhang、カーネギーメロン大学
「機械学習は、回帰アルゴリズムを利用して伝達可能な原子ポテンシャルのさまざまな形式を構築するための強力なアプローチとして浮上しつつあります。このプロジェクトの全体的な目標は、化学プロセスの反応エネルギーと反応速度を高精度で予測できる機械学習手法を開発することです。計算コストは非常に低いです」とイサエフ氏は語った。
「我々は、それらが 機械学習 モデルは高レベルの量子力学理論でトレーニングでき、エネルギーと力を首尾よく予測できます。 量子力学 精度が向上し、速度が 6 ～ 7 桁も向上します。 これはリアクティブ シミュレーションにおける新しいパラダイムです。」
研究者らは、バイオ燃料添加剤の比較やメタン燃焼の追跡など、さまざまな化学的問題について ANI-1xnr をテストしました。 彼らは、地球上で生命がどのように誕生したかを実証することを目的とした有名な化学実験であるミラー実験も再現しました。 この実験を使用して、ANI-1xnr モデルが凝縮相システムで正確な結果を生成することを発見しました。
Zhang 氏は、このモデルはさらにトレーニングを行えば、化学の他の分野にも使用できる可能性があると述べました。
「私たちは、これが次のような生化学プロセスをシミュレートするために潜在的に使用できることを発見しました。 酵素反応張氏は「そのような用途に使用するように設計したわけではないが、改造すればそのような用途に使用される可能性がある」と述べた。
将来的には、チームはANI-1xnrを改良して、より多くの元素とより多くの化学分野を扱えるようにする予定で、処理できる反応の規模を拡大しようとしている。 これにより、創薬など、新しい化学反応の設計が関連する可能性がある複数の分野で使用できる可能性があります。
この研究には、Zhang 氏と Isayev 氏に、Małgorzata Z. Makoś、Ryan B. Jadrich、Elfi Kraka、Kipton Barros、Benjamin T. Nebgen、Sergei Tretiak、Nicholas Lubbers、Richard A. Messerly、Justin S. Smith が参加しました。
詳しくは：
一般的な反応性機械学習の可能性による化学のフロンティアの探索、Nature Chemistry (2024)。 DOI: 10.1038/s41557-023-01427-3
雑誌情報:
自然化学
#科学者が化学反応をモデル化するための新しい機械学習方法を開発