Pesquisadores da Universidade Carnegie Mellon e do Laboratório Nacional de Los Alamos usaram o aprendizado de máquina para criar um modelo que pode simular processos reativos em um conjunto diversificado de materiais e condições orgânicas.



“É uma ferramenta que pode ser usada para investigar mais reações neste campo”, disse Shuhao Zhang, estudante de graduação do Departamento de Química da Universidade Carnegie Mellon. "Podemos oferecer uma simulação completa dos mecanismos de reação."

Zhang é o primeiro autor do artigo que explica a criação e os resultados deste novo modelo de aprendizado de máquina intitulado "Explorando as Fronteiras da Química com um Potencial Geral de Aprendizado de Máquina Reativo", publicado na Nature Chemistry .

Embora os pesquisadores já tenham simulado reações antes, os métodos anteriores apresentavam vários problemas. Modelos de campos de força reativos são relativamente comuns, mas geralmente requerem treinamento para tipos específicos de reação. Os modelos tradicionais que usam a mecânica quântica, onde as reações químicas são simuladas com base na física subjacente, podem ser aplicados a quaisquer materiais e moléculas, mas esses modelos exigem o uso de supercomputadores.

Este novo potencial interatômico geral de aprendizado de máquina (ANI-1xnr) pode realizar simulações para materiais arbitrários contendo os elementos carbono, hidrogênio, nitrogênio e oxigênio e requer significativamente menos poder e tempo de computação do que os modelos tradicionais de mecânica quântica. Segundo Olexandr Isayev, professor associado de química da Carnegie Mellon e chefe do laboratório onde o modelo foi desenvolvido, esse avanço se deve aos desenvolvimentos no aprendizado de máquina.

"O aprendizado de máquina está emergindo como uma abordagem poderosa para construir várias formas de potenciais atomísticos transferíveis utilizando algoritmos de regressão. O objetivo geral deste projeto é desenvolver um método de aprendizado de máquina capaz de prever a energética e as taxas de reação para processos químicos com alta precisão, mas com um custo computacional muito baixo", disse Isayev.

"Mostramos que esses modelos de aprendizado de máquina podem ser treinados em altos níveis de teoria da mecânica quântica e podem prever com sucesso energias e forças com precisão da mecânica quântica e um aumento na velocidade de até 6 a 7 ordens de magnitude. Este é um novo paradigma em simulações reativas."

Os pesquisadores testaram o ANI-1xnr em diferentes problemas químicos, incluindo a comparação de aditivos de biocombustíveis e o rastreamento da combustão de metano. Eles até recriaram o experimento Miller, um famoso experimento químico destinado a demonstrar como a vida se originou na Terra. Usando este experimento, eles descobriram que o modelo ANI-1xnr produziu resultados precisos em sistemas de fase condensada.

Zhang disse que o modelo poderia ser potencialmente usado para outras áreas da química com treinamento adicional.

“Descobrimos que pode ser potencialmente usado para simular processos bioquímicos como reações enzimáticas”, disse Zhang. “Não o projetamos para ser usado dessa forma, mas após modificação ele poderá ser usado para esse propósito”.

No futuro, a equipe planeja refinar o ANI-1xnr e permitir que ele funcione com mais elementos e em mais áreas químicas, e tentará aumentar a escala das reações que pode processar. Isso poderia permitir que ele fosse usado em vários campos onde o projeto de novas reações químicas poderia ser relevante, como na descoberta de medicamentos.

Zhang e Isayev foram acompanhados por Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly e Justin S. Smith neste estudo.

Mais informações: Explorando as fronteiras da química com um potencial reativo geral de aprendizado de máquina, Nature Chemistry (2024). DOI:10.1038/s41557-023-01427-3
Informações do diário: Química da Natureza

Fornecido pela Carnegie Mellon University