[论文解读] 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 4

一句话总结

本文综述了机器学习（ML）在化学反应科学中的变革性应用，展示了ML如何实现对反应动力学、反应网络及复杂机理的精确建模——尤其在传统方法失效的场景下。通过整合实验、模拟与ML，该研究实现了反应规划的预测、势能面建模的增强，以及对大规模化学空间的高效探索，在燃烧、酶促和大气反应体系中取得关键进展。

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.

研究动机与目标

• 综述近期机器学习在化学反应建模方面的进展，尤其关注传统方法难以处理的情形。
• 突出展示如何利用贝叶斯推断与机器学习整合实验数据与计算模型，以提升预测准确性。
• 展示基于机器学习的神经网络势能函数如何实现对复杂反应网络（如燃烧过程）的显式模拟。
• 探讨机器学习在反应规划、酶设计及化学教育中通过虚拟现实与高通量筛选实现变革的潜力。
• 解决在多样化化学环境中定量确定反应结果、速率与状态分布的挑战。

提出的方法

• 应用贝叶斯推断将实验可观测量纳入计算模型，提升准确性与不确定性量化。
• 使用机器学习训练的神经网络势能函数（NNPs）以量子力学精度表示势能面（PES），同时计算成本更低。
• 采用图神经网络及其他机器学习架构，从未知分子结构预测反应结果与路径。
• 实施主动学习与迁移学习，减少对大规模量子化学数据的依赖，同时保持预测能力。
• 将机器学习与分子动力学模拟结合，以模拟长时间尺度的反应过程，包括化学键的断裂与形成。
• 利用虚拟现实与可视化工具探索反应动力学与化学空间，增强科研与教育应用。

实验结果

研究问题

• RQ1 机器学习如何克服全面状态-状态反应散射计算的计算不可行性？
• RQ2 机器学习在系统性整合实验数据与模拟方面，有哪些方式可提升模型准确性与预测能力？
• RQ3 基于机器学习的神经网络势能函数能否实现对复杂反应网络（如燃烧或大气化学）的准确、可扩展模拟？
• RQ4 机器学习如何变革有机合成与酶工程中的反应规划与优化？
• RQ5 机器学习在实现科研与教学中对化学反应性的交互式、沉浸式探索方面，可发挥何种作用？

主要发现

• 机器学习使燃烧与大气化学中反应网络的显式模拟成为可能，而这些在过去传统方法难以实现。
• 基于量子化学数据训练的神经网络势能函数，可实现对化学键断裂与形成过程的精确、高效分子动力学模拟。
• 贝叶斯推断技术成功将实验可观测量与计算模型结合，提升了反应机理预测的可靠性。
• 基于机器学习的方法已实现对数百万种化合物在DFT水平的高通量筛选，显著加速了反应能垒预测。
• 将机器学习与虚拟现实及分子动力学可视化结合，为理解与教学化学动力学提供了新途径。
• 机器学习驱动的反应条件与产率优化——尤其是与机器人技术结合时——在提升周转率与减少溶剂使用方面展现出巨大潜力。