By Kenna Hughes-Castleberry posté le 07 oct. 2022
De nombreuses équations de la physique quantique peuvent être utiles pour guider les chercheurs qui étudient les interactions chimiques. Comme la physique quantique et chimie Travaillant aux mêmes niveaux atomiques, ils sont souvent utilisés en tandem pour obtenir de nouveaux résultats. Récemment, des chercheurs du Laboratoire National de Los Alamos (LANL) a poussé ce jumelage encore plus loin en ajoutant machine learning processus pour aider à prédire l’interaction biochimique dans les simulations moléculaires. Cela pourrait à son tour contribuer à accélérer les étapes de conception de médicaments et d’autres scénarios industriels, rendant les médicaments plus sûrs et plus rapides à long terme.
Utiliser l'apprentissage automatique pour les ensembles de données
Les processus d'apprentissage automatique sont déjà en cours appliqué à l'informatique quantique et à la physique quantique. Étant donné que l’apprentissage automatique prédit et crée des modèles à partir de grands groupes de données, il est bénéfique pour des domaines comme la physique quantique ou la chimie, qui comportent de nombreux éléments mobiles. Selon un chercheur du LANL Benjamin Nebgen: « Avant l’avènement des méthodes d’apprentissage automatique (ML) dans les domaines de la chimie et de la science des matériaux, la plus grande simulation pratique de systèmes chimiques et matériels se limitait à quelques milliers d’atomes. C’est beaucoup trop petit pour capturer avec précision de nombreux effets qui dictent les propriétés chimiques ou matérielles telles que les voies de passage des grains ou les voies réactives rares. Grâce aux avantages de l’apprentissage automatique, les chercheurs peuvent étudier des scénarios plus complexes dans des simulations, notamment ceux axés sur la physique et la chimie quantiques.
Pour les scientifiques qui conçoivent de nouveaux médicaments ou en étudiant les réactions chimiques, il est important de bien comprendre ce qui se passe avec les électrons au niveau quantique. "Le mouvement des électrons et des noyaux atomiques contrôle presque toutes les propriétés chimiques et matérielles qui définissent notre existence moderne", a déclaré Nebgen. « Cela inclut la chimie de tout, depuis les médicaments que nous prenons, les produits d’entretien ménager que nous utilisons quotidiennement, jusqu’aux carburants de nos propres voitures et camions. De plus, les propriétés des matériaux qui composent nos voitures, nos maisons, nos outils, nos avions et presque tout ce avec quoi nous interagissons quotidiennement sont contrôlées par la même physique sous-jacente. Cela permet aux chercheurs d’approfondir les interactions d’une molécule à un niveau fondamental. Cependant, une fois ce niveau atteint, des mathématiques plus compliquées s’ensuivent. "Les forces agissant sur les atomes individuels qui entrent dans les équations de Newton dérivent du mouvement des électrons, qui sont intrinsèquement de nature quantique", a expliqué Nebgen. "Ainsi, les électrons doivent être traités avec l'équation de Schrödinger, ce qui constitue un problème mathématique beaucoup plus difficile à résoudre."
LANL utilise l'apprentissage automatique pour créer des modèles
Pour surmonter ces équations difficiles, des chercheurs comme Nebgen utilisent des outils d’apprentissage automatique. Ces outils peuvent accélérer une simulation chimique en se concentrant uniquement sur quelques-uns des électrons les plus importants du système, a ajouté Nebgen. À l'aide d'un outil d'apprentissage automatique appelé réseau neuronal, Nebgen et son équipe ont pu créer un modèle prédictif des états électroniques possibles et de leurs énergies associées au sein d’une molécule. À partir de là, l’équipe a pu prédire avec précision certains des résultats possibles de la simulation en fonction de différentes entrées. Pour les entreprises de biotechnologie qui dépensent des millions de dollars pour concevoir et tester de nouveaux médicaments, des modèles prédictifs comme celui-ci pourraient offrir de nombreux avantages rentables. Même si l’utilisation de l’apprentissage automatique dans l’industrie pharmaceutique n’est pas nouvelle, sa combinaison avec la puissance de l’informatique quantique pourrait créer la prochaine génération de technologie nécessaire au lancement de futurs médicaments.
Kenna Hughes-Castleberry est rédactrice à Inside Quantum Technology et communicatrice scientifique à JILA (un partenariat entre l'Université du Colorado à Boulder et le NIST). Ses rythmes d'écriture incluent la technologie profonde, le métaverse et la technologie quantique.
