Près de la réalité et précis

Les propriétés quantiques des atomes façonnent d'innombrables processus biochimiques et physiques. De nombreux défis scientifiques sont liés à la compréhension de l'interaction de nombreux atomes au fil du temps. Ces interactions obéissent aux lois de la mécanique quantique. Les exemples vont notamment de la formation de structures des acides nucléiques dans le patrimoine génétique, jusqu'à la dégradation de molécules nocives dans l'atmosphère.

Un défi particulier de ces systèmes quantiques réside dans leurs corrélations dans l'espace et le temps : leurs propriétés les plus intéressantes ne résultent pas de la somme des contributions de chaque atome, mais de diverses corrélations atomiques. En conséquence, il est difficile de modéliser mathématiquement ces systèmes quantiques. Une modélisation directe des corrélations complexes dépasserait la capacité de calcul existante. Une équipe internationale de scientifiques du Berlin Institute for the Foundations of Learning and Data (BIFOLD) à l'Université Technique de Berlin, de l'Université du Luxembourg et de Google a maintenant développé avec succès un algorithme d'apprentissage automatique pour résoudre précisément ce problème.

L'algorithme d'apprentissage développé reconstruit ce que l'on appelle des champs de force globaux à partir de méthodes d'apprentissage automatique (ML), sans faire d'approximations inadmissibles. Le terme champs de force globaux désigne, dans ce contexte, l'approche consistant à considérer toutes les interactions atomiques (comme par exemple électrostatiques, chimiques, etc.) dans une molécule, contrairement à la pratique courante qui consiste à réduire le nombre d'interactions atomiques modélisées pour des raisons de calculabilité.

Plus que la somme des parties

« Les états quantiques des particules élémentaires sont indissociablement liés et les composants individuels ne peuvent pas agir de manière autonome sans influencer le système dans son ensemble », explique le Dr Alexandre Tkatchenko, professeur de physique chimique théorique à l'Université du Luxembourg. Cette propriété est l'une des différences les plus profondes entre la mécanique quantique et les interactions classiques de Newton et électrostatiques, qui sont intuitivement connues de la vie quotidienne. Elle pose également un dilemme dans la modélisation des systèmes quantiques : un paradigme omniprésent dans le développement d'algorithmes et un élément clé dans la modélisation des interactions atomiques consiste à décomposer un problème en parties plus petites et indépendantes pour réduire la charge de calcul. Lorsqu'il s'agit de systèmes quantiques, cela n'est pas possible en raison des propriétés mentionnées ci-dessus.

Les champs de force globaux, capables de saisir les interactions collectives de nombreux atomes dans des systèmes moléculaires, ne peuvent actuellement être étendus qu'à quelques dizaines d'atomes avec l'aide de méthodes d'apprentissage automatique, car la complexité du modèle augmente considérablement avec la taille du système étudié. C'est précisément ce défi que l'équipe a relevé 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 décompose les interactions fortement couplées à l'intérieur du modèle en une partie dite « collective » de faible dimension, qui contient des motifs d'interaction récurrents, et en une autre partie appelée « résidu » qui décrit les contributions des interactions individuelles. Cette séparation permet de résoudre indépendamment les deux composants du problème de reconstruction du champ de force. Les propriétés numériques de chaque sous-problème, causées par des erreurs d'arrondi inévitables lors du calcul assisté par ordinateur, sont prises en compte de manière ciblée. De cette façon, il est possible de reconstruire des champs de force globaux à partir de jeux de données de référence plus importants, afin de représenter des interactions plus complexes, comme celles qui apparaissent dans de grands systèmes avec de nombreux atomes ou dans des molécules particulièrement flexibles. « Les propriétés numériques des algorithmes d'apprentissage ont souvent une influence plus forte qu'on ne le pense sur les résultats et peuvent fausser les conclusions. Des améliorations de la stabilité numérique peuvent avoir un impact considérable sur l'applicabilité des algorithmes », explique le Dr Stefan Chmiela, responsable du groupe d'apprentissage automatique pour les systèmes multi-corps chez BIFOLD.

La performance de la méthode détermine son utilisation

Un avantage supplémentaire de la méthode développée est qu'elle peut être parallélisée sur plusieurs ordinateurs. Elle élimine les goulets d'étranglement algorithmiques et permet une utilisation efficace du matériel informatique moderne, comme les GPU. « Le succès des algorithmes d'apprentissage automatique dépend souvent de leur efficacité à s'exécuter et à évoluer sur le matériel informatique disponible », explique le Prof. Dr Klaus-Robert Müller, co-directeur de BIFOLD.

« Ce travail constitue une étape importante pour simuler de manière réaliste des systèmes avec des centaines d'atomes en utilisant la simulation quantique », déclare le Dr Oliver Unke, scientifique chez Google. Les chercheurs ont déjà réussi à effectuer des simulations dynamiques de complexes supramoléculaires sur des échelles de temps exigeantes. Des simulations similaires sont couramment réalisées dans l'industrie pharmaceutique pour identifier des composés aux propriétés spécifiques comme candidats potentiels pour de nouveaux médicaments. « Les méthodes d'apprentissage automatique promettent une convergence entre des modèles quantiques précis et des solutions empiriques efficaces. Elles ont le potentiel d'accélérer la recherche scientifique en chimie quantique en offrant des possibilités totalement nouvelles pour mieux comprendre les interactions atomiques dans des systèmes physiques complexes », explique Alexandre Tkatchenko.

Publication :

Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko et Klaus-Robert Müller : « Champs de force globaux précis pour la modélisation moléculaire avec des centaines d'atomes », Science Advances, 9(2), 2023, eadf0873
DOI : 10.1126/sciadv.adf0873

Pour plus d'informations :
Dr Stefan Chmiela
BIFOLD
E-mail : stefan@chmiela.com