L'apprentissage automatique résout un problème de chimie quantique vieux de plusieurs décennies
L'approche sans orbitale permet un calcul précis, stable et physiquement significatif des énergies moléculaires et des densités d'électrons
Annonces
En appliquant de nouvelles méthodes d'apprentissage automatique à la recherche en chimie quantique, les scientifiques de l'université de Heidelberg ont réalisé des avancées significatives dans le domaine de la chimie informatique. Ils ont réalisé une avancée majeure dans la résolution d'un dilemme vieux de plusieurs décennies en chimie quantique : le calcul précis et stable des énergies moléculaires et des densités d'électrons à l'aide d'une approche dite sans orbitales, qui utilise beaucoup moins de puissance de calcul et permet donc des calculs pour de très grosses molécules. Au sein du pôle d'excellence STRUCTURES, deux équipes de recherche du Centre interdisciplinaire de calcul scientifique (IWR) ont affiné un processus de calcul longtemps considéré comme peu fiable, de sorte qu'il fournit des résultats précis et établit de manière fiable une solution physiquement significative.
La répartition des électrons dans une molécule détermine ses propriétés chimiques, qu'il s'agisse de sa stabilité, de sa réactivité ou de ses effets biologiques. Le calcul fiable de cette distribution d'électrons et de l'énergie qui en résulte est l'une des fonctions centrales de la chimie quantique. Ces calculs sont à la base de nombreuses applications dans lesquelles les molécules doivent être spécifiquement comprises et conçues, par exemple pour de nouveaux médicaments, de meilleures batteries, des matériaux pour la conversion de l'énergie ou des catalyseurs plus efficaces. Cependant, ces calculs sont très gourmands en ressources informatiques et deviennent rapidement très complexes. Plus la molécule est grande ou plus les variantes à vérifier sont nombreuses, plus les processus informatiques établis atteignent rapidement leurs limites. Le projet "Chimie quantique sans orbitales" se situe ici à l'interface de la chimie, de la physique et de la recherche en intelligence artificielle.
En chimie quantique, les molécules sont souvent décrites à l'aide de la théorie de la fonctionnelle de la densité, qui permet la prédiction fondamentale des propriétés chimiques moléculaires sans avoir à calculer la fonction d'onde de la mécanique quantique. La densité d'électrons est utilisée comme quantité principale, une simplification qui rend enfin les calculs réalisables. Cette approche sans orbitale promet des calculs particulièrement efficaces, mais était jusqu'à présent considérée comme peu utile, car de petites déviations dans la densité électronique conduisaient à des résultats instables ou "non physiques". Grâce à l'apprentissage automatique, la méthode de Heidelberg résout enfin ce problème de précision et de stabilité pour de nombreuses molécules organiques différentes.
Le nouveau processus appelé STRUCTURES25 est basé sur un réseau neuronal spécialement développé qui apprend la relation entre la densité électronique et l'énergie directement à partir de calculs de référence précis, capturant l'environnement chimique de chaque atome individuel dans une représentation mathématique détaillée. Un concept d'apprentissage unique a été déterminant : le modèle a été entraîné non seulement avec des densités d'électrons convergentes, mais aussi avec de nombreuses variantes entourant la solution correcte - générées par des changements ciblés et contrôlés dans les calculs de référence sous-jacents. Ce processus informatique est donc capable de trouver de manière fiable une solution physiquement significative pour les énergies moléculaires et les densités d'électrons, même en cas de petites déviations. Il reste stable sans se "perdre" dans les calculs, soulignent les chercheurs de Heidelberg.
Lors de tests effectués sur une collection large et variée de molécules organiques, STRUCTURES25 a atteint une précision qui peut rivaliser avec les calculs de référence établis, démontrant pour la première fois une convergence stable en utilisant une approche sans orbitales. Les performances de la méthode ont été démontrées non seulement sur de petits exemples, mais aussi sur des molécules beaucoup plus grandes, de type "médicaments". Les premières comparaisons de durée d'exécution prouvent que le processus de calcul peut mieux s'adapter à l'augmentation de la taille des molécules et donc accroître la vitesse de calcul. Des calculs autrefois considérés comme trop élaborés sont désormais à portée de main.
"La théorie de la fonctionnelle de la densité sans orbitale promet depuis longtemps des calculs plus rapides, mais pas au détriment de la physique, s'il vous plaît", déclare le professeur Fred Hamprecht, qui dirige le groupe de recherche "Intelligence artificielle scientifique" à l'IWR. "Avec STRUCTURES25, nous démontrons pour la première fois que l'informatique peut inclure les deux : des énergies chimiquement précises et une optimisation stable et pratique de la densité électronique". Andreas Dreuw, chef du groupe de recherche "Chimie théorique et computationnelle" à l'IWR, ajoute : "L'optimisation n'est plus instable : "L'optimisation n'est plus instable, ce qui constitue un grand pas en avant vers des prédictions beaucoup plus rapides et de haute précision. Les simulations sont désormais à portée de main, alors que les processus classiques étaient à peine accessibles, par exemple lorsqu'il s'agit d'étudier de nombreuses configurations ou de très grosses molécules."
Le travail a été étayé par l'étroite coopération interdisciplinaire des groupes de recherche au sein du pôle d'excellence "STRUCTURES : Une approche unifiée des phénomènes émergents dans le monde physique, les mathématiques et les données complexes" à l'université de Heidelberg. Des chercheurs de différentes disciplines y étudient comment les structures émergent, comment elles peuvent être détectées dans de vastes ensembles de données et les avantages qu'elles offrent à la science et à la technologie. Outre le soutien apporté par le pôle d'excellence, le financement a également été assuré par le programme Wildcard de la Carl-Zeiss-Stiftung, qui soutient des projets particulièrement innovants et audacieux. Les résultats de la recherche ont été publiés dans le "Journal of the American Chemical Society".
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Roman Remme, Tobias Kaczun, Tim Ebert, Christof A. Gehrig, Dominik Geng, Gerrit Gerhartz, Marc K. Ickler, Manuel V. Klockow, Peter Lippmann, Johannes S. Schmidt, Simon Wagner, Andreas Dreuw, Fred A. Hamprecht; "Stable and Accurate Orbital-Free Density Functional Theory Powered by Machine Learning"; Journal of the American Chemical Society, Volume 147, 2025-8-1
Autres actualités du département science
