DeepMind AI : un outil d’apprentissage automatique aide à étudier l’étrange

D’étranges électrons dits fractionnaires sont essentiels à de nombreuses réactions chimiques, mais les méthodes traditionnelles ne peuvent pas les modéliser – un problème que DeepMind a utilisé l’apprentissage automatique pour résoudre

Par Léa Grue

Les outils d’apprentissage automatique nous ont rapprochés de la compréhension des électrons et de leur comportement dans les interactions chimiques, suite à l’annonce selon laquelle la société d’IA basée au Royaume-Uni, DeepMind, appartenant à la société mère de Google, Alphabet, a créé un outil qui résout un problème fondamental avec la façon dont nous modélisons la chimie. .

L’outil, appelé DeepMind 21, est basé sur une méthode de modélisation appelée théorie de la fonctionnelle de la densité (DFT), qui relie l’emplacement des électrons dans un groupe donné d’atomes à l’énergie totale que les atomes partagent pour déterminer les propriétés chimiques et physiques d’une molécule. ou matériel. « DFT est un outil très largement utilisé et il est généralement très efficace, mais il présente ces défaillances. Il est donc important de localiser et de comprendre ces défaillances », déclare DeepMind. Aron Cohen.

L’un de ces échecs est l’incapacité à gérer les électrons fractionnaires, une construction théorique dans laquelle la charge d’un électron est divisée en plusieurs particules. Les outils DFT traditionnels peuvent modéliser des systèmes avec un ou deux électrons, mais ils échouent à modéliser ceux avec, disons, 1,5 électron, ce qui est important dans les cas où un électron est partagé entre plusieurs atomes.

« D’une part, les électrons fractionnaires sont des objets fictifs, il n’y a pas d’électron fractionnaire – les électrons sont entiers par définition », explique James Kirkpatrick chez DeepMind. « Mais en résolvant ces problèmes d’électrons fractionnaires, nous sommes en mesure de décrire correctement les systèmes chimiques qui ont généralement ces erreurs fondamentales dans leurs descriptions. »

DeepMind 21 fonctionne avec apprentissage automatique, un processus par lequel une intelligence artificielle est alimentée par un ensemble de données d’apprentissage qui comprend à la fois les problèmes pertinents et leurs solutions. En examinant l’ensemble de formation, l’IA apprend à rechercher des modèles et à les appliquer à des ensembles de données similaires et incomplets.

Les chercheurs ont formé leur IA avec 2235 exemples de réactions chimiques, complétés par des informations sur les électrons impliqués et les énergies des systèmes. Parmi ceux-ci, 1074 représentaient des systèmes où les électrons fractionnaires poseraient un problème aux analyses DFT traditionnelles.

Ensuite, ils ont appliqué l’IA à des réactions chimiques qui n’étaient pas incluses dans les données d’entraînement. Non seulement DeepMind 21 a représenté correctement les électrons fractionnaires, mais ses résultats étaient plus précis que les analyses DFT traditionnelles. Il a même travaillé sur des données sur des atomes avec des propriétés étranges qui ne ressemblaient à rien dans les données d’entraînement. Bien qu’il existe d’autres méthodes pour créer ces modèles, elles prennent beaucoup plus de temps et de puissance de calcul, explique John Perdew à Temple University en Pennsylvanie.

Il s’agit d’une avancée majeure en termes d’utilisation de l’apprentissage automatique pour comprendre la chimie, déclare Perdew. « Cela suggère une unification des approches théoriques standard, telles que la satisfaction de théorèmes exacts, avec un apprentissage automatique basé sur les données, une unification qui peut être plus puissante que l’une ou l’autre approche en elle-même », dit-il.

DeepMind a également annoncé que le code de l’IA sera rendu open source, de sorte que les chimistes et les chercheurs en matériaux du monde entier pourront l’appliquer à une variété de problèmes. Les électrons fractionnaires sont particulièrement pertinents dans chimie organique, dit Cohen, il peut donc être particulièrement utile dans ce domaine.

Référence de la revue : La science, DOI : 10.1126/science.abj6511