Publié le 2024-02-29 10:15:00. Des chercheurs de l’Université de Heidelberg ont franchi une étape décisive en chimie computationnelle en perfectionnant une méthode d’apprentissage automatique capable de résoudre un problème de longue date : le calcul précis et efficace des propriétés moléculaires, ouvrant la voie à la conception de nouveaux matériaux et médicaments.
- Une nouvelle approche basée sur l’apprentissage automatique permet de calculer avec précision l’énergie et la distribution électronique des molécules, même de grande taille.
- Cette avancée résout un dilemme persistant en chimie quantique en utilisant une méthode dite « sans orbitale », moins gourmande en ressources informatiques.
- Le projet, mené au sein du pôle d’excellence STRUCTURES, promet d’accélérer la découverte de nouveaux médicaments, de meilleures batteries et des catalyseurs plus performants.
La compréhension de la répartition des électrons au sein d’une molécule est fondamentale pour déterminer ses propriétés chimiques, de sa stabilité à sa réactivité en passant par son activité biologique. Calculer cette distribution électronique et l’énergie qui en découle est un enjeu majeur de la chimie quantique, servant de base à de nombreuses applications concrètes. Cependant, ces calculs sont traditionnellement très exigeants en termes de puissance de calcul, atteignant rapidement leurs limites avec des molécules complexes ou nécessitant l’exploration de nombreuses configurations possibles. Le projet « Quantum Chemistry without Orbitals » propose une solution innovante à ce défi, combinant chimie, physique et intelligence artificielle.
La théorie fonctionnelle de la densité (TFD) est une approche couramment utilisée en chimie quantique pour prédire les propriétés moléculaires sans avoir à calculer la fonction d’onde, une tâche particulièrement complexe. La TFD se concentre sur la densité électronique, simplifiant ainsi les calculs. L’approche « sans orbitale » promet une efficacité accrue, mais elle était jusqu’à présent entravée par l’instabilité des résultats, de légères variations de la densité électronique pouvant conduire à des erreurs significatives. L’équipe de Heidelberg a surmonté cet obstacle grâce à l’apprentissage automatique.
Le nouveau processus, baptisé STRUCTURES25, repose sur un réseau neuronal spécialement conçu pour apprendre la relation entre la densité électronique et l’énergie moléculaire à partir de calculs de référence précis. Ce réseau neuronal prend en compte l’environnement chimique de chaque atome de manière détaillée. Un aspect crucial de cette approche réside dans la méthode d’entraînement du modèle : il a été exposé non seulement à des densités électroniques stables, mais également à de nombreuses variations autour de la solution correcte, générées par des modifications contrôlées des calculs de référence. Cette technique permet à STRUCTURES25 de trouver de manière fiable une solution physiquement pertinente, même en présence de petites imprécisions, et de maintenir sa stabilité pendant le calcul.
Lors de tests rigoureux sur une vaste collection de molécules organiques, STRUCTURES25 a démontré une précision comparable aux méthodes de référence établies, tout en assurant une convergence stable, une première pour une approche « sans orbitale ». Ses performances ont été validées non seulement sur des molécules simples, mais également sur des molécules plus complexes, de type « médicament », ce qui témoigne de son potentiel applicatif. Des premières comparaisons de temps d’exécution suggèrent que la méthode évolue favorablement avec la taille des molécules, offrant ainsi des gains de vitesse significatifs. Des calculs autrefois considérés comme inaccessibles sont désormais à portée de main.
« La théorie fonctionnelle de la densité sans orbite a longtemps promis un calcul plus rapide – mais pas au détriment de la rigueur physique, bien entendu. Avec STRUCTURES25, nous démontrons pour la première fois qu’il est possible de combiner une précision chimique élevée avec une optimisation stable et pratique de la densité électronique. »
Fred Hamprecht, professeur et responsable du groupe de recherche « Intelligence artificielle scientifique » à l’IWR
« L’optimisation n’est plus instable, ce qui représente un progrès majeur pour des prédictions plus rapides et plus précises. Des simulations qui étaient auparavant hors de portée, notamment pour l’étude de nombreuses configurations ou de très grosses molécules, sont désormais envisageables. »
Andreas Dreuw, professeur et responsable du groupe de recherche « Chimie théorique et computationnelle » à l’IWR
Ce travail est le fruit d’une collaboration étroite entre les groupes de recherche du pôle d’excellence « STRUCTURES : une approche unificatrice des phénomènes émergents dans le monde physique, les mathématiques et les données complexes » de l’Université de Heidelberg. Ce pôle rassemble des chercheurs de différentes disciplines pour étudier l’émergence des structures, leur détection dans de grands ensembles de données et leurs applications potentielles en science et en technologie. Le projet a bénéficié du soutien du Cluster of Excellence, ainsi que du programme Wildcard de la Carl-Zeiss-Stiftung, qui finance des projets particulièrement innovants et audacieux. Les résultats de cette recherche ont été publiés dans le Journal of the American Chemical Society.