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

Nel vasto mondo dell'ingegneria chimica, prevedere come diverse sostanze si comporteranno quando mescolate è una sfida fondamentale. Immaginate di cercare di progettare un nuovo lubrificante, un refrigerante o un rivestimento per dispositivi elettronici senza sapere come gli ingredienti interagiranno sotto calore o pressione. Per decenni, gli scienziati si sono affidati a complesse simulazioni informatiche basate sulla meccanica quantistica per mappare queste interazioni. Queste simulazioni calcolano la distribuzione della carica elettrica sulla superficie di ogni molecola, creando un'impronta digitale unica che determina come la molecola si legherà ai suoi vicini. Sebbene accurato, questo processo è incredibilmente lento e costoso, richiedendo supercomputer potenti e competenze specializzate. È come cercare di misurare il peso esatto di ogni granello di sabbia su una spiaggia per comprendere la forma della spiaggia; i dati sono perfetti, ma lo sforzo è spesso troppo grande per una scoperta rapida.

Per accelerare i tempi, i ricercatori si sono rivolti all'apprendimento automatico, insegnando ai computer a riconoscere gli schemi nelle strutture molecolari in modo da poter prevedere queste impronte digitali senza dover eseguire ogni volta le pesanti simulazioni. Tuttavia, rimaneva un divario significativo in questo approccio. La maggior parte dei modelli esistenti era stata addestrata su comuni composti organici fatti di carbonio, idrogeno e ossigeno. Questi modelli faticavano quando si trovavano di fronte a composti contenenti silicio, una classe di materiali essenziali per tutto, dai sigillanti ai lubrificanti fino ai chip stessi all'interno dei nostri computer. Poiché il silicio si comporta diversamente dal carbonio, i vecchi modelli non riuscivano a prevedere accuratamente come questi materiali si sarebbero comportati nelle miscele, lasciando gli ingegneri a indovinare o a fare affidamento su scarsi dati sperimentali.

Un team di ricercatori della Korea University e di SK Inc. AX ha ora colmato questo divario ampliando la portata di questi strumenti predittivi. Hanno sviluppato un nuovo framework che combina un tipo specializzato di intelligenza artificiale con un modello termodinamico raffinato per prevedere accuratamente il comportamento dei prodotti chimici a base di silicio. Inve invece di eseguire i lenti e pesanti calcoli quantistici per ogni nuova molecola, il loro sistema osserva la struttura molecolare — specificamente la disposizione dei gruppi funzionali — e genera istantaneamente la necessaria mappa della carica superficiale. Questa mappa, nota come profilo sigma, funge da progetto su come la molecola interagirà con altre.

I ricercatori hanno iniziato costruendo un nuovo enorme database di addestramento. Hanno preso una collezione esistente di oltre 3.500 composti organici e hanno aggiunto 546 nuovi composti contenenti silicio, portando il totale a 4.102 molecole distinte. Per creare i dati di addestramento per questi nuovi composti di silicio, hanno prima eseguito i rigorosi calcoli quantistici per stabilire la corretta "verità di base" (ground truth). Hanno poi insegnato al loro modello di apprendimento automatico, che utilizza una rete neurale basata su grafi, a riconoscere gli schemi specifici dei gruppi centrati sul silicio, come gli atomi di silicio legati a idrogeno o ossigeno. Ciò ha permesso al modello di apprendere il linguaggio chimico unico del silicio, che mancava nei dataset precedenti.

Una volta addestrato, il modello è stato testato sulla sua capacità di prevedere l'equilibrio vapore-liquido di varie miscele. Questa è una misurazione critica che dice agli ingegneri a quale temperatura e pressione un liquido si trasformerà in gas, o come due liquidi si separeranno. I ricercatori hanno confrontato le previsioni del modello con dati sperimentali reali per sistemi binari che coinvolgono composti di silicio. I risultati sono stati altamente accurati. Il modello ha previsto la pressione del sistema con un errore medio di appena il 4,56 percento e la composizione del vapore con un errore di soli 0,02 in frazione molare. Questi numeri indicano che l'approccio di apprendimento automatico può riprodurre il comportamento di miscele complesse di silicio con un livello di precisione che rivaleggia con i metodi quantistici tradizionali, molto più lenti.

Una parte chiave di questo successo è stata l'adozione di un modello termodinamico aggiornato che tiene esplicitamente conto delle interazioni degli acidi carbossilici, garantendo che anche le molecole con specifici gruppi acidi fossero gestite correttamente. L'intero processo funziona senza generare file di struttura molecolare o eseguire calcoli quantistici per le molecole target. Invece, prende una semplice stringa di testo che rappresenta la struttura della molecola e restituisce le proprietà termodinamiche necessarie in una frazione del tempo. Questo traguardo fornisce uno strumento pratico ed efficiente per l'industria chimica, consentendo lo screening rapido e la progettazione di nuovi materiali a base di silicio per l'elettronica, la refrigerazione e i rivestimenti industriali, il tutto senza il collo di bottiglia computazionale che precedentemente rallentava la scoperta.