Une équipe internationale de scientifiques de l’Université du Luxembourg, de l’Institut de Berlin pour les fondements de l’apprentissage et des données (BIFOLD) de l’Université technique de Berlin et de Google a réussi à mettre au point un algorithme d’apprentissage automatique permettant de s’attaquer à des systèmes quantiques vastes et complexes. L’article a été publié dans la célèbre revue Science Advances.
Les propriétés quantiques des atomes façonnent d’innombrables processus biochimiques et physiques. Certains des plus grands défis scientifiques du monde sont fondamentalement liés à la compréhension de nombreux atomes en interaction dans le temps. Ces interactions sont régies par les lois de la mécanique quantique. Les exemples vont de la formation des acides nucléiques dans le génome à la décomposition des molécules nocives dans l’atmosphère. Les corrélations dans l’espace et le temps de ces systèmes quantiques constituent un défi particulier pour les scientifiques : Leurs propriétés les plus intéressantes ne résultent pas d’une simple addition des contributions individuelles des atomes, mais de corrélations atomiques complexes. Par conséquent, les systèmes quantiques ne peuvent pas être facilement modélisés mathématiquement. En particulier, les plus grands systèmes quantiques ont jusqu’à présent échappé à l’apprentissage automatique précis parce qu’ils ne peuvent pas être partitionnés de manière unique en petits ensembles de calcul indépendants. Une modélisation directe des corrélations complexes dépasserait les capacités de calcul existantes.
Réaliste et précis
L’algorithme d’apprentissage développé reconstruit les champs de force globaux en se basant sur des méthodes d’apprentissage automatique sans faire de simplifications potentiellement excessives. Le terme "champs de force globaux" décrit l’approche consistant à prendre en compte toutes les interactions atomiques (électrostatiques, chimiques, etc.) d’une molécule. Il est par ailleurs courant de réduire le nombre d’interactions atomiques modélisées pour des raisons d’efficacité de calcul.
-Les états quantiques sont inséparables et les constituants individuels ne peuvent agir indépendamment sans affecter le système dans son ensemble", explique le professeur Alexandre Tkatchenko, professeur de physique chimique théorique à l’université du Luxembourg. Cette propriété constitue l’une des différences les plus importantes entre la mécanique quantique et les interactions classiques, newtoniennes et électrostatiques, que chacun connaît intuitivement. Elle pose également un dilemme lors de la modélisation des systèmes quantiques : Un paradigme omniprésent dans la conception algorithmique et un élément de base important dans la modélisation des interactions atomiques consiste à diviser un problème en parties indépendantes plus petites, plus faciles à traiter par l’ordinateur. Cela n’est pas possible lorsqu’on considère les systèmes quantiques en raison des propriétés mentionnées ci-dessus.
Les champs de force globaux capables de saisir les interactions collectives de nombreux atomes dans les systèmes moléculaires ne peuvent actuellement s’adapter qu’à quelques dizaines d’atomes à l’aide de méthodes d’apprentissage automatique, car la complexité du modèle augmente considérablement avec la taille du système concerné. L’équipe s’est attaquée à ce problème en développant un algorithme permettant de former des champs de force globaux pour des systèmes comptant jusqu’à plusieurs centaines d’atomes sans ignorer les corrélations complexes. Leur approche sépare soigneusement les interactions atomiques fortement couplées au sein du modèle en une partie dite collective de faible dimension, qui contient les modèles d’interaction récurrents, et une partie dite résiduelle, qui décrit les contributions des interactions individuelles. Cette séparation permet de résoudre indépendamment les deux composantes du problème de reconstruction du champ de force. Les propriétés numériques de chaque sous-problème, qui surviennent en raison des inévitables erreurs d’arrondi dans les calculs informatiques, sont spécifiquement prises en compte. Par conséquent, les champs de force globaux peuvent être reconstruits sur la base d’ensembles de données de référence plus importants afin de représenter des interactions plus complexes, comme c’est le cas dans les systèmes comportant de nombreux atomes ou dans les molécules particulièrement flexibles. "Les caractéristiques numériques des algorithmes d’apprentissage automatique ont souvent un impact plus fort que ne le suggère la formulation mathématique, ce qui peut fausser les résultats. L’amélioration de la stabilité numérique peut avoir un impact considérable sur l’application des algorithmes", explique le Dr Stefan Chmiela, chef du groupe de recherche sur l’apprentissage automatique des systèmes à corps multiples de BIFOLD.
Le fait que la méthode développée puisse être parallélisée sur plusieurs ordinateurs est un avantage secondaire. Elle élimine les goulets d’étranglement algorithmiques et permet d’utiliser efficacement le matériel moderne de calcul parallèle, tel que les GPU. "Le succès des algorithmes d’apprentissage automatique est souvent déterminé par l’efficacité de leur exécution et de leur mise à l’échelle sur le matériel disponible", explique Klaus-Robert Müller, codirecteur de BIFOLD.
-Ces travaux constituent un tremplin vers des simulations quantiques réellement prédictives de systèmes comportant des centaines d’atomes", déclare Oliver Unke , chercheur chez Google. Les scientifiques ont déjà réalisé avec succès des simulations dynamiques de complexes supramoléculaires sur de longues échelles de temps. Des simulations similaires sont couramment réalisées dans l’industrie pharmaceutique afin d’identifier des composés présentant des propriétés spécifiques en tant que nouveaux médicaments candidats potentiels. "Les méthodes d’apprentissage automatique promettent une convergence entre les modèles exacts de mécanique quantique et les solutions empiriques efficaces. Elles ont le potentiel d’accélérer la recherche scientifique en chimie quantique en offrant de toutes nouvelles possibilités de mieux comprendre les interactions atomiques dans des systèmes physiques complexes", explique Alexandre Tkatchenko.
Article " Champs de force mondiaux précis par apprentissage automatique pour les molécules comportant des centaines d’atomes ", Science Advances, janvier 2023.
