计算模型捕捉了化学反应中难以捉摸的过渡态

在化学反应过程中，分子获得能量，直到它们达到所谓的过渡态——反应必须从这个不归路开始。这种状态是如此短暂，以至于几乎不可能通过实验观察到它。

这些过渡态的结构可以使用基于量子化学的技术来计算，但这个过程非常耗时。麻省理工学院的一组研究人员现在开发了一种基于机器学习的替代方法，可以在几秒钟内更快地计算出这些结构。

他们的新模型可用于帮助化学家设计新的反应和催化剂，以产生有用的产品，如燃料或药物，或模拟自然发生的化学反应，例如那些可能有助于推动地球生命进化的反应。

“了解过渡态结构作为考虑设计催化剂或了解自然系统如何实施某些转变的起点非常重要，”麻省理工学院化学和化学工程副教授、该研究的资深作者Heather Kulik说。

Chenru Duan PhD ’22 是一篇描述这项工作的论文的主要作者，该论文今天发表在 《自然计算科学》上。康奈尔大学研究生杜元琪和麻省理工学院研究生贾浩军也是该论文的作者。

转瞬即逝的过渡

对于任何给定的化学反应的发生，它必须经历一个过渡态，当它达到反应进行所需的能量阈值时就会发生。任何化学反应发生的概率在一定程度上取决于过渡态形成的可能性。

“过渡态有助于确定发生化学转变的可能性。如果我们有很多我们不想要的东西，比如二氧化碳，我们想把它转化为一种有用的燃料，如甲醇，那么过渡态及其有利程度决定了我们从反应物到产物的可能性，“库利克说。

化学家可以使用称为密度泛函理论的量子化学方法计算过渡态。然而，这种方法需要大量的计算能力，并且可能需要数小时甚至数天才能计算出一个过渡状态。

最近，一些研究人员试图使用机器学习模型来发现过渡状态结构。然而，迄今为止开发的模型需要将两种反应物视为一个单一的实体，其中反应物彼此保持相同的取向。任何其他可能的取向都必须建模为单独的反应，这会增加计算时间。

“如果反应物分子是旋转的，那么原则上，在这种旋转之前和之后，它们仍然可以发生相同的化学反应。但在传统的机器学习方法中，模型会将其视为两种不同的反应。这使得机器学习训练变得更加困难，也更不准确，“Duan说。

麻省理工学院的团队开发了一种新的计算方法，使他们能够使用一种称为扩散模型的模型，以任意方向表示两种反应物，该模型可以学习哪些类型的过程最有可能产生特定结果。作为他们模型的训练数据，研究人员使用了使用量子计算方法计算的反应物、产物和过渡态的结构，用于 9,000 种不同的化学反应。

“一旦模型了解了这三种结构如何共存的潜在分布，我们就可以给它新的反应物和产物，它将尝试产生与这些反应物和产物配对的过渡态结构，”Duan说。

研究人员在大约1000个以前从未见过的反应上测试了他们的模型，要求它为每个过渡状态生成40种可能的解决方案。然后，他们使用“置信度模型”来预测哪些状态最有可能发生。与使用量子技术生成的过渡态结构相比，这些解决方案的精度在0.08埃（一亿分之一厘米）以内。每个反应的整个计算过程只需几秒钟。

“你可以想象，这真的可以扩展到考虑在传统方法通常只需要生成几个过渡状态的时间内生成数千个过渡状态，”Kulik说。

模拟反应

尽管研究人员主要在涉及原子数量相对较少的化合物（整个系统最多23个原子）的反应上训练他们的模型，但他们发现它也可以对涉及较大分子的反应做出准确的预测。

“即使你观察更大的系统或由酶催化的系统，你也能很好地覆盖原子最有可能重新排列的不同类型的方式，”Kulik说。

研究人员现在计划扩展他们的模型，以纳入催化剂等其他成分，这可以帮助他们研究特定催化剂会加速反应的程度。这对于开发产生药物、燃料或其他有用化合物的新工艺非常有用，特别是当合成涉及许多化学步骤时。

“传统上，所有这些计算都是用量子化学进行的，现在我们能够用这种快速生成模型代替量子化学部分，”Duan说。

研究人员说，这种模型的另一个潜在应用是探索在其他行星上发现的气体之间可能发生的相互作用，或者模拟地球上生命早期进化过程中可能发生的简单反应。

新方法代表了“在预测化学反应性方面向前迈出的重要一步”，哥本哈根大学化学教授Jan Halborg Jensen说，他没有参与这项研究。

“找到反应的过渡态和相关的屏障是预测化学反应性的关键步骤，但也是最难实现自动化的任务之一，”他说。“这个问题阻碍了许多重要领域，如计算催化剂和反应发现，这是我见过的第一篇可以消除这一瓶颈的论文。

该研究由美国海军研究办公室和美国国家科学基金会资助。