原文來源：量子位

圖片來源：由無界 AI生成

用擴(kuò)散模型預(yù)測化學(xué)反應(yīng),，速度直接暴漲1000倍,！

原本需要用計(jì)算機(jī)硬算幾小時(shí)甚至一天,，現(xiàn)在單個(gè)GPU用6秒鐘就能搞定,。

這是MIT和康奈爾大學(xué)聯(lián)合搞出來的一項(xiàng)新研究,，用擴(kuò)散模型來預(yù)測化學(xué)反應(yīng)中最關(guān)鍵的過渡態(tài)結(jié)構(gòu),，不僅計(jì)算速度提升1000倍，結(jié)果也竟然意想不到得準(zhǔn)確,，相關(guān)研究工作發(fā)表在Nature Computational Science上：

其中,，麻省理工學(xué)院的段辰儒博士是第一加通訊作者,。此外，康奈爾大學(xué)博士生杜沅豈、麻省理工學(xué)院博士生賈皓鈞以及麻省理工學(xué)院Heather Kulik教授為該論文的共同作者,，目前研究已經(jīng)被MIT News報(bào)道,。

要知道,，預(yù)測反應(yīng)中的過渡態(tài)結(jié)構(gòu)遠(yuǎn)非想象中簡單——

由于能量較高，它存在的時(shí)間往往只有飛秒級(jí),，即秒的千萬億分之一,。

因此，目前還沒有一臺(tái)實(shí)驗(yàn)設(shè)備能直接觀察它,，只能通過量子化學(xué)計(jì)算的方式來預(yù)測,，計(jì)算量少則幾小時(shí)，多則數(shù)天,。

如今用擴(kuò)散模型就能得到幾乎一樣的預(yù)測結(jié)果,，這究竟是怎么做到的,？

進(jìn)一步地，用AI預(yù)測化學(xué)反應(yīng),，又究竟可以被應(yīng)用在哪些領(lǐng)域,、起到哪些作用？

我們和論文的其中兩位作者,，來自MIT的段辰儒和康奈爾大學(xué)的杜沅豈聊了聊,，探討了一下這項(xiàng)研究具體的原理、背后潛在的應(yīng)用方向以及關(guān)于AI for Science的一些思考,。

如何用擴(kuò)散模型預(yù)測化學(xué)反應(yīng),？

首先，需要理解為啥過渡態(tài)是研究化學(xué)反應(yīng)的關(guān)鍵,。

自遠(yuǎn)古的“煉金術(shù)”以來,，化學(xué)一直是一門了解和控制物質(zhì)之間相互作用的學(xué)科，化學(xué)反應(yīng)又是其中非常核心的概念,。

通常來說,，一個(gè)化學(xué)反應(yīng)由三個(gè)東西組成：反應(yīng)物,、生成物和過渡態(tài)結(jié)構(gòu)。

反應(yīng)物和生成物大家都很熟悉了（如氫氧生成水），但實(shí)際上，二者之間的過渡態(tài)才是解釋化學(xué)反應(yīng)的關(guān)鍵——

作為化學(xué)反應(yīng)過程中能量最高的狀態(tài),，過渡態(tài)既能用來理解化學(xué)反應(yīng)的機(jī)理,、也能估算反應(yīng)速率和能量。

一言以蔽之,，要想真正搞懂,、設(shè)計(jì)、優(yōu)化并調(diào)控一個(gè)化學(xué)反應(yīng),，就必須從過渡態(tài)結(jié)構(gòu)下手,。

所以，過渡態(tài)結(jié)構(gòu)究竟要如何研究,，又為什么需要用AI來做預(yù)測,？

研究過渡態(tài)結(jié)構(gòu)，不能只用分子結(jié)構(gòu)來分析,，而要更進(jìn)一步研究它的3D構(gòu)象,。

分子結(jié)構(gòu)，指為了便于理解化學(xué)反應(yīng),，會(huì)人為構(gòu)造出單雙鍵這樣的概念,，并用鍵合關(guān)系、原子種類和數(shù)量來表示化學(xué)反應(yīng),。

但要想真正精確計(jì)算化學(xué)反應(yīng)的速率和能量,，就必須要研究原子在3D空間中的位置關(guān)系（用3D坐標(biāo)表示），即3D構(gòu)象,。只有對(duì)比原子在3D空間中的位置關(guān)系,，才能進(jìn)行量化分析，從而預(yù)測反應(yīng)發(fā)生的過程,。

然而,，相比反應(yīng)物和生成物,，過渡態(tài)存在的時(shí)間非常短，甚至只有飛秒量級(jí),。

受限于實(shí)驗(yàn)設(shè)備精度，過渡態(tài)結(jié)構(gòu)無法用肉眼直接觀察,，此前只能通過量子力學(xué)方法——薛定諤方程來計(jì)算,。

薛定諤方程，量子力學(xué)中的基本方程,，描述粒子在某段時(shí)間內(nèi)的狀態(tài)如何變化,。

BUT，手搓薛定諤方程計(jì)算量巨大，一個(gè)苯環(huán)的化學(xué)反應(yīng)可能都需要算上一周時(shí)間,，尤其隨著體系增大（原子數(shù)量變多等）,，計(jì)算量更是呈現(xiàn)出指數(shù)級(jí)增長的趨勢(shì)。

雖然后來出現(xiàn)了密度泛函理論（DFT）等近似方法加速計(jì)算,，但算起來還是很慢,、有時(shí)候甚至因?yàn)槭諗啃缘膯栴}導(dǎo)致計(jì)算不出來，“成本很昂貴,，出錯(cuò)率還高”,。

為此,，來自MIT和康奈爾大學(xué)的研究人員，想到用AI的方法來直接預(yù)測過渡態(tài)結(jié)構(gòu),，以節(jié)省計(jì)算量,。

之所以選用擴(kuò)散模型，據(jù)杜沅豈介紹,，主要有三點(diǎn)原因：

其一,，生成效果好。相比GAN,，VAE等模型,，擴(kuò)散模型算是生成模型中效果較好的架構(gòu)。
其二,，更適合3D構(gòu)象,。相比分子結(jié)構(gòu)是離散的數(shù)據(jù)，3D構(gòu)象是一個(gè)連續(xù)的數(shù)據(jù),，且結(jié)構(gòu)上涉及（平移,、旋轉(zhuǎn)和置換）對(duì)稱性。
對(duì)于離散數(shù)據(jù)而言,，基于機(jī)器學(xué)習(xí)+搜索的模型會(huì)比現(xiàn)有的（離散）擴(kuò)散模型效果更好,；但對(duì)于3D構(gòu)象而言，無論是其對(duì)稱性還是用連續(xù)數(shù)據(jù)表示,，反而更適合用擴(kuò)散模型生成,。
其三，擴(kuò)散模型自身的靈活性,，使得它可以在生成時(shí),，保留一部分原有設(shè)計(jì)、填補(bǔ)剩余的部分,，也使得它對(duì)于設(shè)計(jì)新的化學(xué)反應(yīng)更有幫助,。

具體到架構(gòu)設(shè)計(jì)上,，作者們將等變GNN融入到擴(kuò)散模型中，設(shè)計(jì)了一種名叫OA-ReactDiff的結(jié)構(gòu),，其中等變GNN能很好地處理并保留數(shù)據(jù)的對(duì)稱性,。

所以,，OA-ReactDiff的效果究竟如何,，或者說相比其他AI最大的亮點(diǎn)究竟是？

段辰儒表示,，這項(xiàng)研究最核心的亮點(diǎn)主要有兩個(gè),。

一個(gè)是預(yù)測準(zhǔn)確性上，OA-ReactDiff的準(zhǔn)確性超過了之前的一系列AI模型,。

作者們選用了Transition1x作為數(shù)據(jù)集,，這個(gè)數(shù)據(jù)集包含10073個(gè)化學(xué)反應(yīng)，每個(gè)化學(xué)反應(yīng)分別包含反應(yīng)物,、生成物和經(jīng)過量子化學(xué)計(jì)算的過渡態(tài)結(jié)構(gòu),，整個(gè)體系不超過23個(gè)原子。

這其中的9000個(gè)化學(xué)反應(yīng)用作模型訓(xùn)練,，1073個(gè)作為測試集,，最終實(shí)現(xiàn)了0.183?（1?=0.1納米）的平均均方根偏差和0.076?的中位數(shù)均方根偏差。

相比于其他機(jī)器學(xué)習(xí)方法如PSI-based和NeuralNEB，OA-ReactDiff準(zhǔn)確性都要更高,。

與此同時(shí),，在沒有刻意訓(xùn)練的情況下，OA-ReactDiff在更大的體系上也表現(xiàn)出了良好的預(yù)測能力,。

另一個(gè)是預(yù)測速度上,，OA-ReactDiff相比現(xiàn)有的計(jì)算方法，至少能快上1000倍,。

這是因?yàn)?，原本密度泛函理論算法的時(shí)間復(fù)雜度在O(N3)級(jí)別，但現(xiàn)在基于OA-ReactDiff的方法,，直接將時(shí)間復(fù)雜度降低到O(N2),。

反映到現(xiàn)有數(shù)據(jù)集上，原本需要計(jì)算幾小時(shí)甚至一天的化學(xué)反應(yīng),，現(xiàn)在用OA-ReactDiff,，只需要6秒鐘就可以搞定。

進(jìn)一步地,，體系越大的化學(xué)反應(yīng),，用擴(kuò)散模型做預(yù)測的提速效果還會(huì)越好。

不過,，這項(xiàng)研究究竟能被用在哪些地方呢,？

我們也問了問兩位作者關(guān)于這項(xiàng)研究潛在的應(yīng)用、以及對(duì)于“用AI搞科學(xué)研究”這件事本身的看法,。

可用于燃料藥物輔助設(shè)計(jì)

對(duì)于研究本身,，段辰儒認(rèn)為主要有三個(gè)方面的作用。

最直觀的一方面,，自然是催化劑的設(shè)計(jì)了,。

這也是研究人員接下來想要繼續(xù)探索的方向，即繼續(xù)擴(kuò)展模型本身,，加入催化劑等條件,，并用AI來預(yù)測過渡態(tài)。

而在研究催化劑的基礎(chǔ)上,，又能進(jìn)一步輔助燃料設(shè)計(jì)和新藥開發(fā),。

以燃料為例，雖然涉及的燃燒反應(yīng)體系往往不大,，但發(fā)生反應(yīng)的過程卻極易被環(huán)境和條件影響,。

因此，如果用AI來輔助預(yù)測化學(xué)反應(yīng)的過程,，或許能更快基于不同燃料發(fā)生反應(yīng)的環(huán)境條件來預(yù)測效果,。

這樣一來，對(duì)于能源行業(yè)甚至航天行業(yè)也會(huì)產(chǎn)生進(jìn)一步的影響,。

最后,，就是模擬自然界化學(xué)反應(yīng),，來幫助開發(fā)新的理論研究。

像是模擬地球生命早期可能發(fā)生的反應(yīng),、或是探索行星氣體之間的相互作用等,，通過用AI預(yù)測過渡態(tài)，也可能更快發(fā)現(xiàn)或驗(yàn)證新的理論,，探究生命起源的意義,。

聽起來，AI似乎已經(jīng)給化學(xué)研究帶來了不少新的突破,。

結(jié)合這段時(shí)間AI在生物制藥（AlphaFold2）,、以及材料學(xué)（GNoME）上取得的種種突破,，對(duì)于生化環(huán)材這一系列理論學(xué)科而言，AI是否已經(jīng)成為了新的技術(shù)主流路線,？

更激進(jìn)一點(diǎn)來說,，對(duì)化學(xué)本身而言，未來AI是否會(huì)取代一部分現(xiàn)有的量子化學(xué)研究,？

對(duì)此,，兩位作者均持有相同的觀點(diǎn)，即AI（至少就監(jiān)督模型而言）,，現(xiàn)階段對(duì)于這些學(xué)科的影響力依舊是一種工具,，而并非一條全新的技術(shù)路徑。

這是因?yàn)?，目前生化環(huán)材任何一個(gè)學(xué)科借助AI輔助研究的前提,，依舊是已經(jīng)有了一定的理論，而AI作為工具起到的是“錦上添花”的作用,。

換言之,，AI與這些學(xué)科的其他研究方法依舊是共存關(guān)系，并不會(huì)出現(xiàn)“替代”的情況,。段辰儒對(duì)此做了一個(gè)有意思的比喻：

如果化學(xué)學(xué)科好比一個(gè)夾饃,，機(jī)器學(xué)習(xí)方法和各種現(xiàn)有的化學(xué)方法，就是不同的食材,。那夾饃里面可以夾肉,，也可以夾其他的菜。

以近期大火的Google Deepmind研究GNoME為例,，就是一個(gè)很好的“AI當(dāng)工具人”的例子,。

杜沅豈認(rèn)為，如果從ML專業(yè)的角度去看待GNoME中涉及的AI方法,，會(huì)發(fā)現(xiàn)它其實(shí)并不是最新的東西,，像是其中涉及的幾何深度學(xué)習(xí)，已經(jīng)是這幾年比較流行的研究方向,。

但如果從材料學(xué)科的角度去看,，這樣大規(guī)模、高通量的穩(wěn)定材料搜索,，肯定還是有相當(dāng)?shù)目茖W(xué)意義在其中：

AI for Science本身,，其實(shí)更側(cè)重的是“Scientific Discovery”，它更大的意義在于科學(xué)發(fā)現(xiàn),。

而段辰儒認(rèn)為,，從應(yīng)用的角度而言，無論是材料發(fā)現(xiàn),，還是預(yù)測化學(xué)反應(yīng),，最終用AI去加速落地的宗旨依舊是“有用”二字：

正如這屆NeurIPS AI4Science的workshop主題一樣,，“從理論到實(shí)踐“。我認(rèn)為這是AI4Science后面十年的必經(jīng)之路,，也是AI4Science的中期使命,。

像OA-ReactDiff接下來的目標(biāo)是找到一個(gè)可以應(yīng)用的路徑一樣，GNoME發(fā)現(xiàn)220萬穩(wěn)定材料也只是應(yīng)用的一個(gè)起點(diǎn),，接下來還需要很多的標(biāo)準(zhǔn)（如導(dǎo)熱、導(dǎo)電等）,，才能讓化學(xué)和材料真正在某一行業(yè)“發(fā)光發(fā)熱”,。

文章鏈接：C. Duan*, Y. Du, H. Jia, and H. J. Kulik, “Accurate transition state generation with an object-aware equivariant elementary reaction diffusion model”, Nat. Comput. Sci., ASAP, https://rdcu.be/dtGSF;?https://www.nature.com/articles/s43588-023-00563-7