[論文レビュー] Transformative Applications of Machine Learning for Chemical Reactions

Markus Meuwly|arXiv (Cornell University)|Jan 10, 2021

Machine Learning in Materials Science参考文献 197被引用数 4

ひとこと要約

この論文は、化学反応科学における変革的機械学習（ML）応用をレビューし、従来の手法が失敗する状況においても、反応ダイナミクス、反応ネットワーク、複雑なメカニズムの正確なモデリングを可能にするMLの役割を示している。実験、シミュレーション、MLを統合することで、予測可能な反応計画、高精度なポテンシャルエネルギー表面モデリング、大規模な化学空間の効率的探索が可能となり、特に燃焼、酵素反応、大気化学系において顕著な進展が達成された。

ABSTRACT

Machine learning techniques applied to chemical reactions has a long history. The present contribution discusses applications ranging from small molecule reaction dynamics to platforms for reaction planning. ML-based techniques can be of particular interest for problems which involve both, computation and experiments. For one, Bayesian inference is a powerful approach to include knowledge from experiment in improving computational models. ML-based methods can also be used to handle problems that are formally intractable using conventional approaches, such as exhaustive characterization of state-to-state information in reactive collisions. Finally, the explicit simulation of reactive networks as they occur in combustion has become possible using machine-learned neural network potentials. This review provides an overview of the questions that can and have been addressed using machine learning techniques and an outlook discusses challenges in this diverse and stimulating field. It is concluded that ML applied to chemistry problems as practiced and conceived today has the potential to transform the way with which the field approaches problems involving chemical reactions, both, in research and academic teaching.

研究の動機と目的

• 従来の手法が非効率となる状況における化学反応モデリングにおける機械学習の最近の進展をレビューすること。
• ベイズ推論とMLを用いて実験データを計算モデルに統合し、予測精度を向上させることの重要性を強調すること。
• MLベースのニューラルネットワークポテンシャルが、燃焼におけるような複雑な反応ネットワークの明示的シミュレーションを可能にすることを示すこと。
• 仮想現実とハイブリッドスクリーニングを活用したMLの反応計画、酵素設計、化学教育への応用可能性を検討すること。
• 多様な化学環境下での反応生成物、反応速度、状態分布を定量的に特定する課題に取り組むこと。

提案手法

• 実験的観測量を計算モデルに組み込むためにベイズ推論を適用し、精度と不確実性の評価を向上させること。
• 量子力学的精度を保ちつつ計算コストを低減する機械学習によるニューラルネットワークポテンシャル（NNP）を用いてポテンシャルエネルギー表面（PES）を表現すること。
• 分子構造から反応生成物および反応経路を予測するため、グラフニューラルネットワークおよびその他のMLアーキテクチャを活用すること。
• アクティブラーニングとトランスファーラーニングを導入し、大規模な量子化学データの必要性を抑えつつも、予測性能を維持すること。
• 分子動力学シミュレーションとMLを統合し、結合の切断・形成を含む長時間スケールの反応プロセスをモデリングすること。
• 仮想現実と可視化ツールを活用して反応ダイナミクスおよび化学空間を探索し、研究および教育的応用を強化すること。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、包括的な状態間反応散乱計算の計算的非効率性をどのように克服できるか？
• RQ2 MLを用いて実験データをどのように体系的にシミュレーションと統合し、モデルの精度と予測力の向上を図れるか？
• RQ3 MLベースのニューラルネットワークポテンシャルは、燃焼や大気化学におけるような複雑な反応ネットワークの正確でスケーラブルなシミュレーションを可能にするか？
• RQ4 MLは有機合成や酵素工学における反応計画と最適化をどのように変革できるか？
• RQ5 MLは研究および教育の分野で、反応性のインタラクティブかつ没入型の探索をどのように可能にするか？

主な発見

• 機械学習により、従来の手法では非効率であった燃焼や大気化学における反応ネットワークの明示的シミュレーションが可能になった。
• 量子化学データで学習されたニューラルネットワークポテンシャルは、結合の切断・形成プロセスを正確かつ効率的に分子動力学シミュレーションで再現できる。
• ベイズ推論技術は、実験的観測量を計算モデルに効果的に統合し、反応機構予測の信頼性を向上させた。
• MLベースの手法により、DFTレベルで数百万化合物のハイブリッドスクリーニングが可能となり、反応エネルギーの予測が加速された。
• MLと仮想現実、分子動力学可視化の統合により、化学ダイナミクスの理解および教育への新たな道筋が開かれた。
• ロボティクスと組み合わせたML駆動の反応条件および収率最適化は、ターンオーバーの最大化と溶媒使用の最小化に向け、有望な成果を示した。