À medida que a química se tornou mais avançada e as reações químicas mais complexas, não é mais sempre prático para os pesquisadores sentar em uma bancada de laboratório e começar a misturar produtos químicos para ver o que eles podem fazer.

Tom Miller, professor de química na Caltech; Matt Welborn, um bolsista de pós-doutorado no Resnick Sustainability Institute; e Lixue Cheng, estudante de graduação em química e engenharia química, desenvolveram uma nova ferramenta que usa aprendizado de máquina para prever reações químicas muito antes de os reagentes chegarem ao tubo de ensaio.

Deles não é a primeira ferramenta computacional desenvolvida para fazer previsões de química, mas melhora o que já está em uso, e isso é importante porque esses tipos de previsões estão tendo um grande impacto no campo.

"Eles nos permitem conectar propriedades microscópicas subjacentes às coisas com que nos importamos no mundo macroscópico, "Miller diz." Essas previsões nos permitem saber com antecedência se um catalisador terá um desempenho melhor do que outro e identificar novos candidatos a medicamentos.

Eles também exigem muito trabalho computacional pesado. Miller aponta que uma fração substancial de todo o tempo do supercomputador na Terra é dedicado a previsões químicas, portanto, aumentos na eficiência podem economizar muito tempo e despesas aos pesquisadores.

O trabalho dos pesquisadores do Caltech fornece essencialmente uma mudança de foco para o software de previsão. As ferramentas anteriores foram baseadas em três métodos de modelagem computacional conhecidos como teoria do funcional da densidade (DFT), teoria do cluster acoplado (CC), ou teoria de perturbação de Møller-Plesset (MP2). Essas teorias representam três abordagens diferentes para aproximar uma solução para a equação de Schrödinger, que descreve sistemas complexos nos quais a mecânica quântica desempenha um grande papel.

Cada uma dessas teorias tem suas próprias vantagens e desvantagens. O DFT é uma espécie de abordagem rápida e suja que dá aos pesquisadores respostas mais rapidamente, mas com menos precisão. CC e MP2 são muito mais precisos, mas demoram mais para calcular e usam muito mais poder de computação.

Moleiro, Cheng, e a ferramenta de Welborn enfia a agulha, dando-lhes acesso a previsões que são mais precisas do que aquelas criadas com DFT e em menos tempo do que CC e MP2 podem oferecer. Eles fazem isso concentrando seu algoritmo de aprendizado de máquina nas propriedades dos orbitais moleculares - a nuvem de elétrons em torno de uma molécula. Ferramentas já existentes, em contraste, concentre-se nos tipos de átomos de uma molécula ou nos ângulos em que os átomos estão ligados.

Até aqui, a abordagem deles está se mostrando muito promissora, embora só tenha sido usado para fazer previsões sobre sistemas relativamente simples. O verdadeiro teste, Miller diz, é ver como ele funcionará em problemas químicos mais complicados. Ainda, ele está otimista com base nos resultados preliminares.

"Se conseguirmos fazer isso funcionar, será um grande problema para a forma como os computadores são usados ​​para estudar problemas químicos, "diz ele." Estamos muito entusiasmados com isso. "

O trabalho é descrito em um artigo intitulado "Transferibilidade em Aprendizado de Máquina para Estrutura Eletrônica via Base Orbital Molecular" que aparece no Jornal de Teoria Química e Computação .