Des chercheurs de l’Université du Luxembourg, de la Technische Universität de Berlin, et de l’Institut Fritz Haber de la société Max Planck ont associé l’apprentissage automatique et la mécanique quantique pour prédire les dynamiques et les interactions atomiques des molécules. La nouvelle approche permet d’obtenir un degré de précision et d’efficacité jamais atteint auparavant.
Les simulations de la dynamique moléculaire sont utilisées en sciences naturelles et en science des matériaux pour prédire les propriétés et le comportement de différents matériaux. Auparavant, ces simulations étaient habituellement basées sur des modèles mécanistes qui n’étaient pas capables d’intégrer d’importantes données de la mécanique quantique. Ce travail publié dans le journal scientifique Nature Communications améliore réellement les capacités de prévisions de la modélisation atomistique moderne en chimie, en biologie, et en science des matériaux.
Les connaissances exactes en matière de dynamique moléculaire d’une substance, en d’autres termes les connaissances précises des états et interactions éventuels d’atomes uniques dans une molécule, nous permettent de, non seulement comprendre de nombreuses réactions chimiques et physiques, mais également de les utiliser. « Les techniques d’apprentissage machine ont radicalement modifié les travaux dans de nombreuses disciplines mais jusqu’à présent, leur utilisation est restée très limitée dans des simulations de dynamique moléculaire » a indiqué Klaus-Robert Müller, professeur d’apprentissage automatique à la TU de Berlin. Le problème : La plupart des algorithmes types ont été développés dans l’idée que le volume des données à traiter n’était pas pertinent. « Cependant, cela ne s’applique pas aux calculs précis de la mécanique quantique d’une molécule où chaque point de données unique est crucial et où le calcul individuel de plus grandes molécules peut prendre plusieurs semaines voire plusieurs mois. Les énormes moyens de calcul nécessaires pour réaliser cela ont rendu impossible les simulations précises en matière de dynamique moléculaire » a précisé Alexandre Tkatchenko, professeur de physique chimique théorique à l’Université du Luxembourg.
C’est précisément ce problème que les chercheurs ont désormais résolu en intégrant les lois physiques dans les techniques d’apprentissage automatique. « La méthode consiste à ne pas calculer tous les états possibles éventuels de la dynamique moléculaire à l’aide des techniques d’apprentissage machine mais plutôt de calculer uniquement ceux qui ne résultent pas de lois physiques connues ou de l’application d’opérations de symétrie », a poursuivi le professeur Alexandre Tkatchenko.
D’un côté, les nouveaux algorithmes développés utilisent les symétries mathématiques naturelles dans les molécules. Entre autres choses, elles reconnaissent les axes de symétrie qui ne modifient pas les caractéristiques physiques de la molécule. En conséquence, il faut uniquement calculer ces points de données une seule fois, et non plusieurs fois, ce qui réduit considérablement la complexité du calcul. De plus, les techniques d’apprentissage se fondent sur la loi physique de conservation de l’énergie.
Grâce à cette approche innovante qui permet l’utilisation des techniques d’apprentissage automatique pour « incorporer » les lois physiques avant d’apprendre à calculer la dynamique moléculaire, l’équipe de recherche a réussi à réconcilier les deux aspects contradictoires de haute précision et d’efficacité des données. « Ces algorithmes spéciaux permettent au processus de se concentrer sur des problèmes plus complexes de simulation plutôt que de recourir aux résultats obtenus par ordinateur pour la reconstruction de liens insignifiants entre les points de données. En tant que telle, cette recherche démontre l’énorme potentiel consistant à combiner l’IA avec la chimie ou d’autres sciences naturelles », a indiqué Klaus-Robert Müller, expliquant la portée du projet.
Le projet a été financé par la Fondation allemande pour la recherche (German Research Foundation), le Conseil européen de la recherche (European Research Council) et la Fondation nationale coréenne pour la recherche (Korean National Research Foundation). Une partie de la recherche a été menée durant la visite des auteurs de l’Institut pour les mathématiques pures et appliquées de l’université de Californie, Los Angeles (UCLA), qui reçoit le soutien de la Fondation nationale pour les sciences (National Science Foundation).