Extension of Graph Convolution Network for Sigma-Profile Prediction to Silicon-Containing Compounds

Dans le vaste monde du génie chimique, prédire comment différentes substances se comporteront lorsqu'elles sont mélangées est un défi fondamental. Imaginez essayer de concevoir un nouveau lubrifiant, un réfrigérant ou un revêtement pour des dispositifs électroniques sans savoir comment les ingrédients interagiront sous l'effet de la chaleur ou de la pression. Pendant des décennies, les scientifiques se sont appuyés sur des simulations informatiques complexes basées sur la mécanique quantique pour cartographier ces interactions. Ces simulations calculent la distribution de la charge électrique à la surface de chaque molécule, créant une empreinte digitale unique qui dicte la manière dont la molécule se liera à ses voisines. Bien qu'exact ce processus soit incroyablement lent et coûteux, nécessitant des supercalculateurs puissants et une expertise spécialisée. C'est comme essayer de mesurer le poids exact de chaque grain de sable sur une plage pour comprendre la forme de la plage ; les données sont parfaites, mais l'effort est souvent trop grand pour une découverte rapide.

Pour accélérer les choses, les chercheurs se sont tournés vers l'apprentissage automatique, apprenant aux ordinateurs à reconnaître des motifs dans les structures moléculaires afin qu'ils puissent prédire ces empreintes digitales sans avoir à exécuter les lourdes simulations à chaque fois. Cependant, un écart important subsistait dans cette approche. La plupart des modèles existants étaient entraînés sur des composés organiques courants composés de carbone, d'hydrogène et d'oxygène. Ils éprouvaient des difficultés face aux composés contenant du silicium, une classe de matériaux essentiels pour tout, des mastics et lubrifiants aux puces mêmes à l'intérieur de nos ordinateurs. Comme le silicium se comporte différemment du carbone, les anciens modèles ne pouvaient pas prédire avec précision comment ces matériaux se comporteraient dans des mélanges, laissant les ingénieurs deviner ou compter sur des données expérimentales rares.

Une équipe de chercheurs de l'Université de Corée et de SK Inc. AX a désormais comblé cet écart en étendant la portée de ces outils prédictifs. Ils ont développé un nouveau cadre qui combine un type spécialisé d'intelligence artificielle avec un modèle thermodynamique raffiné pour prévoir avec précision le comportement des produits chimiques à base de silicium. Au lieu d'exécuter les calculs quantiques lents et lourds pour chaque nouvelle molécule, leur système examine la structure moléculaire — spécifiquement l'arrangement des groupes fonctionnels — et génère instantanément la carte de charge de surface nécessaire. Cette carte, connue sous le nom de profil sigma, sert de plan directeur pour la manière dont la molécule interagira avec les autres.

Les chercheurs ont commencé par construire une nouvelle base de données d'entraînement massive. Ils ont pris une collection existante de plus de 3 500 composés organiques et y ont ajouté 546 composés contenant du silicium nouvellement générés, portant le total à 4 102 molécules distinctes. Pour créer les données d'entraînement pour ces nouveaux composés de silicium, ils ont d'abord effectué les calculs quantiques rigoureux pour établir la « vérité terrain » correcte. Ils ont ensuite appris à leur modèle d'apprentissage automatique, qui utilise un réseau neuronal basé sur les graphes, à reconnaître les motifs spécifiques des groupes centrés sur le silicium, tels que les atomes de silicium liés à l'hydrogène ou à l'oxygène. Cela a permis au modèle d'apprendre le langage chimique unique du silicium, qui manquait aux ensembles de données précédents.

Une fois entraîné, le modèle a été testé sur sa capacité à prédire l'équilibre vapeur-liquide de divers mélanges. Il s'agit d'une mesure critique qui indique aux ingénieurs à quelle température et pression un liquide se transformera en gaz, ou comment deux liquides se sépareront. Les chercheurs ont comparé les prédictions du modèle aux données expérimentales réelles pour des systèmes binaires impliquant des composés de silicium. Les résultats ont été hautement précis. Le modèle a prédit la pression du système avec une erreur moyenne de seulement 4,56 pour cent et la composition de la vapeur avec une erreur de seulement 0,02 en fraction molaire. Ces chiffres indiquent que l'approche par apprentissage automatique peut reproduire le comportement de mélanges de silicium complexes avec un niveau de précision qui rivalise avec les méthodes quantiques traditionnelles beaucoup plus lentes.

Un élément clé de ce succès fut l'adoption d'un modèle thermodynamique mis à jour qui tient explicitement compte des interactions d'acide carboxylique, garantissant que même les molécules possédant des groupes acides spécifiques soient traitées correctement. L'ensemble du processus fonctionne sans générer de fichiers de structure moléculaire ni effectuer de calculs quantiques pour les molécules cibles. Au lieu de cela, il prend une simple chaîne de texte représentant la structure de la molécule et produit les propriétés thermodynamiques nécessaires en une fraction du temps. Cette réussite fournit un outil pratique et efficace pour l'industrie chimique, permettant le criblage et la conception rapides de nouveaux matériaux à base de silicium pour l'électronique, la réfrigération et les revêtements industriels, le tout sans le goulot d'étranglement computationnel qui ralentissait auparavant la découverte.