Accurate Chemistry Collection: Coupled cluster atomization energies for broad chemical space

Dit artikel introduceert de Microsoft Research Accurate Chemistry Collection (MSR-ACC), een openbaar dataset met 73.040 uiterst nauwkeurige atoomisatie-energieën voor een breed scala aan gesloten-schil moleculen, die de ontwikkeling van data-gedreven methoden in de computationele chemie mogelijk maakt.

De kern

Stel je voor dat chemici als kokken zijn die proberen de perfecte recepten voor nieuwe medicijnen, brandstoffen of materialen te vinden. Maar om te weten of hun recept werkt, moeten ze eerst heel precies weten hoeveel energie er vrijkomt of nodig is wanneer ze ingrediënten (atomen) samenvoegen tot een gerecht (een molecuul).

Vroeger was dit als proberen een recept te gissen met een lepel en een schatting. Soms zat je er heel dichtbij, maar vaak was het net niet goed genoeg. Om echt goede voorspellingen te doen, heb je een "gouden standaard" nodig: een berekening die zo nauwkeurig is dat je er je leven op kunt bouwen.

Wat hebben deze onderzoekers gedaan?

Sebastian Ehlert, Jan Hermann en hun team bij Microsoft Research hebben een enorme, digitale "kookboek-bibliotheek" gecreëerd. Ze noemen het MSR-ACC.

Hier is hoe je het kunt begrijpen:

1. De "Gouden Standaard" Rekenmachine

In de chemie is de "totale atoomisatie-energie" (TAE) eigenlijk het antwoord op de vraag: "Hoeveel energie kost het om dit molecuul volledig uit elkaar te halen in losse atomen?"

• Het probleem: De meeste computerprogramma's (die we 'theorie' noemen) maken hier kleine fouten in. Soms is die fout zo groot dat je een medicijn denkt dat werkt, maar dat in werkelijkheid giftig is.
• De oplossing: Deze team heeft een superkrachtige rekenmethode gebruikt (CCSD(T), vaak gezien als de "formule van de goden" in chemie) om 73.040 moleculen te berekenen. Ze hebben dit gedaan met een precisie die binnen 1 kilocalorie per mol ligt van de echte waarheid. Dat is alsof je het gewicht van een vlieg op een weegschaal meet met de precisie van een gouden weegschaal.

2. Het "Supermarkt" Concept

Stel je voor dat je een supermarkt bouwt voor chemische data.

• De oude supermarkten: Bestonden al, maar ze waren klein (slechts een paar honderd producten) of ze hadden alleen maar "groente" (organische koolstofverbindingen). Ze misten "vis" en "kruiden" (andere elementen zoals natrium, magnesium, aluminium).
• De nieuwe MSR-ACC supermarkt: Deze is enorm groot (73.040 producten) en bevat van alles: van simpele waterstofmoleculen tot complexe verbindingen met aluminium en zwavel. Ze hebben zelfs gekeken naar moleculen die niet alleen uit koolstof bestaan, maar ook uit de elementen die je vindt in de eerste drie rijen van het periodiek systeem.

3. De "Kwaliteitscontrole" (Het Filter)

Niet elk molecuul is geschikt voor deze superkrachtige rekenmethode. Sommige moleculen zijn als een instabiel huis: ze vallen uit elkaar of gedragen zich zo raar dat de rekenmachine "in de war" raakt (dit noemen ze "multireference character").

• De analogie: Stel je voor dat je een groep renners selecteert voor een marathon. Je wilt alleen mensen die gezond zijn en niet op het punt staan om flauw te vallen.
• Wat ze deden: Ze gebruikten slimme filters om alle "ziektes" (moleculen die te chaotisch zijn) eruit te filteren. Ze keken ook of de moleculen in hun rustigste, stabielste staat zaten (singlet-toestand), zodat ze zeker weten dat ze de juiste energie meten.

4. Waarom is dit belangrijk voor de "gewone" mens?

Je vraagt je misschien af: "Wat heb ik hieraan?"
Dit dataset is als een trainingsveld voor kunstmatige intelligentie (AI).

• Vandaag de dag proberen wetenschappers AI-modellen te bouwen die sneller en goedkoper kunnen rekenen dan die superkrachtige methode. Maar om die AI te leren, heb je duizenden voorbeelden nodig van de "juiste antwoorden".
• Met deze nieuwe bibliotheek kunnen AI-ontwikkelaars hun modellen trainen op een veel breder scala aan chemie dan ooit tevoren.
• Het resultaat: In de toekomst kunnen we sneller nieuwe batterijen voor onze auto's vinden, betere zonnepanelen ontwerpen, of medicijnen ontwikkelen die precies op de juiste manier werken, omdat de computers die we gebruiken om ze te ontwerpen, nu veel minder fouten maken.

Samenvattend

Deze paper is het verhaal van een team dat een enorme, ultra-precieze database heeft gebouwd. Het is alsof ze een kaart hebben getekend van een heel nieuw continent in de chemische wereld. Waar andere kaarten alleen de kustlijn toonden, toont deze kaart ook de binnenlanden, de bergen en de valleien.

Dit maakt het mogelijk voor de volgende generatie wetenschappers en AI-systemen om de chemie van de toekomst niet meer te raden, maar met zekerheid te voorspellen. Het is een enorme stap in de richting van "sub-chemische nauwkeurigheid" – wat betekent dat we eindelijk computers kunnen gebruiken die net zo goed zijn als de beste echte chemici in het lab.

Technische samenvatting

Probleemstelling

Accurate thermochemische data met een nauwkeurigheid onder de chemische drempel (binnen 1 kcal mol⁻¹ van de empirische waarheid) zijn essentieel voor de ontwikkeling van geavanceerde computationele chemie-methoden. Bestaande datasets die deze nauwkeurigheid bereiken, zijn echter vaak beperkt in omvang of chemische diversiteit. Dit belemmert de ontwikkeling van datagedreven methoden (zoals machine learning en nieuwe functionalen) die betrouwbaar voorspellingen kunnen doen over een breed spectrum aan gesloten-schil, neutrale moleculen. Er ontbreekt specifiek een dataset die zowel organische als anorganische verbindingen omvat met sub-chemische nauwkeurigheid, berekend met hoogwaardige golffunctiemethoden.

Methodologie

De auteurs presenteren de Microsoft Research Accurate Chemistry Collection (MSR-ACC), met de eerste release MSR-ACC/TAE25. De dataset bevat 73.040 totale atoomisatie-energieën (TAE) berekend op het CCSD(T)/CBS-niveau (Coupled Cluster met Single, Double en perturbative Triple excitaties naar het Complete Basis Set limiet) met behulp van het W1-F12 thermochemisch protocol.

Het generatie- en validatieproces omvat de volgende stappen:

1. Structuurgeneratie:

   • Moleculaire grafieken: Er zijn drie methoden gebruikt om moleculaire grafieken te genereren voor elementen uit de eerste drie perioden (H tot Ar, exclusief edelgassen):
     • Brute-force enumeratie: Voor moleculen met maximaal 4 zware atomen.
     • Degree sequence sampling: Zowel met impliciete als expliciete waterstofatomen.
     • Generatieve AI: Een GPT-2 transformer-model getraind op bestaande SMILES-strings om nieuwe grafieken te voorspellen.
   • 3D-structuur optimalisatie: Grafieken werden omgezet naar 3D-structuren via een cascade van optimalisaties:
     • Initieel met UFF (Universal Force Field).
     • Vervolgens met GFN2-xTB (voor conformationele sampling).
     • Verfijnd met r2SCAN-3c en B3LYP-D3(BJ)/def2-TZVPP.
   • Filtering: Dubbelingen werden verwijderd. Structuren die dissocieerden in fragmenten, of waarbij de triplettoestand lager in energie lag dan de singlettoestand, werden verwijderd.

2. Selectie en Labeling:

   • Multireferentie-filter: Om de geldigheid van de CCSD(T)-benadering te waarborgen, werd de %TAE[(T)] diagnose gebruikt (het percentage van de TAE dat wordt verklaard door verbonden triple excitaties). Moleculen met %TAE[(T)] > 6% (wat wijst op sterke multireferentie-karakteristieken) werden verwijderd.
   • Grondtoestand-filter: Alleen moleculen met een positieve singlet-triplet gap (S0–T1) volgens B3LYP werden behouden.
   • W1-F12 Berekening: Voor de geselecteerde moleculen werden de TAE's berekend met het W1-F12 protocol. Dit omvat extrapolatie naar het CBS-limiet voor Hartree-Fock en CCSD-F12 componenten, inclusie van core-valence correcties en (T)-bijdragen.

3. Datasplits:

   • De dataset is openbaar gemaakt in het QCSchema-formaat.
   • Er zijn canonieke splitsen beschikbaar: 99% voor training en 1% voor validatie, waarbij overlap met bestaande benchmarks (W4-17, GMTKN55) is verwijderd.

Belangrijkste Bijdragen

• Omvang en Diversiteit: MSR-ACC/TAE25 bevat 73.040 moleculen met maximaal 5 zware atomen. Het dekt zowel organische (45,1%) als anorganische (54,9%) systemen af, inclusief elementen zoals Li, Na, Mg, Al, Si, P, S en Cl, wat een groot contrast vormt met datasets die zich voornamelijk richten op koolstof-gebaseerde "drug-like" moleculen (zoals GDB-9/QM9).
• Sub-chemische Nauwkeurigheid: De referentiewaarden zijn berekend met W1-F12, een methode die bekend staat om zijn sub-chemische nauwkeurigheid (MAD < 0,5 kcal mol⁻¹ vergeleken met experimenten/theorie).
• Uitgebreide Metadata: Naast de TAE bevat de dataset extra velden zoals DFT-energieën, singlet-triplet gappen, en componenten van de W1-F12 energie (HF, CCSD, (T), core-valence), wat diepgaande analyse mogelijk maakt.
• Open Access: De dataset is vrij beschikbaar onder de CDLA Permissive 2.0 licentie.

Resultaten en Validatie

• Chemische Ruimte: De dataset dekt een breed scala aan chemische omgevingen af. Bijna alle elementen (behalve H en halogenen) komen voor in ongeveer 1000 unieke chemische omgevingen.
• Verdeling: De moleculen variëren in grootte van 2 tot 17 atomen (inclusief H). De geometrieën omvatten lineaire (0,6%), planaire (15,2%) en algemene 3D-structuren (84,3%).
• Validatie van Filters:
  • De %TAE[(T)] diagnose bleek een robuuste filter te zijn; de verdeling piekt rond 2% en stopt scherp bij de 6% drempel.
  • De singlet-triplet gap filter (via B3LYP) bleek conservatief: het onderbepaalde de gap, wat betekent dat er enkele moleculen met een singlet-grondtoestand onnodig zijn verwijderd, maar het garandeert dat alle overgebleven moleculen veilig singlet-systemen zijn.
• Benchmarking van DFT: De dataset werd gebruikt om de fouten van diverse exchange-correlation functionalen (zoals B3LYP, ωB97X-V, M06-2X) te analyseren. De foutverdelingen bleken normaal verdeeld rond de W1-F12 referentie, wat de consistentie van de dataset bevestigt. Functionals met hogere "Jacob's ladder" rangen (zoals double hybrids) toonden over het algemeen betere prestaties.

Betekenis en Impact

MSR-ACC/TAE25 is een mijlpaal voor de computationele chemie en kunstmatige intelligentie:

1. Ontwikkeling van Nieuwe Methodes: Het biedt een grote, diverse en accurate testset voor het trainen en valideren van machine learning-modellen (zoals Graph Neural Networks) en nieuwe DFT-functionalen, specifiek gericht op het generaliseren buiten de traditionele organische chemie.
2. Foutanalyse: Het stelt onderzoekers in staat om systematische fouten in benaderende methoden te identificeren over een breed spectrum van s- en p-blok verbindingen.
3. Toekomstperspectief: De dataset vormt de basis voor toekomstige uitbreidingen van MSR-ACC en is al gebruikt voor het trainen van de eerste exchange-correlation functional die chemische nauwkeurigheid bereikt voor atoomisatie-energieën.

Kortom, deze dataset vult een kritieke leemte in de literatuur door een schaalbaar, nauwkeurig en chemisch divers referentiekader te bieden voor de volgende generatie thermochemische voorspellingsmodellen.