MIT-onderzoekers hebben een baanbrekende generatieve AI-methode gepresenteerd die reacties tussen chemische stoffen voorspelt, met inachtneming van natuurkundige wetmatigheden zoals massabehoud. Deze ontwikkeling belooft de betrouwbaarheid en bruikbaarheid van AI-voorspellingen in chemie aanzienlijk te verbeteren.
A new generative AI approach to predicting chemical reactionsThe new FlowER generative AI system may improve the prediction of chemical reactions. The approach, developed at MIT, could provide realistic predictions for a wide variety of reactions, while maintaining real-world physical constraints. |
De uitdaging van conventionele AI in chemie
Recente voorbeelden van AI in chemie, zoals LLM's, berusten vaak louter op patronen zonder rekening te houden met de natuurkunde van de materie. Daardoor kunnen ongewenste fouten ontstaan, zoals het “toevoegen” of “weghalen” van atomen in voorspellingen—waardoor het resultaat meer op toverkunst lijkt dan op wetenschap.
FlowER: een methode met oog voor electronen en massabehoud
Het nieuwe systeem, genaamd FlowER (Flow matching for Electron Redistribution), borduurt voort op een methode van de chemicus Ivar Ugi uit de jaren ’70. FlowER gebruikt een zogenaamde bond-electron matrix om expliciet elk elektron in een reactie te volgen. Dit maakt het waarborgen van zowel atoom- als electronenbehoud mogelijk—essentieel voor fysiek kloppende voorspellingen.
A new generative AI approach to predicting chemical reactionsDepartment of Chemical Engineering The "FlowER" (Flow matching for Electron Redistribution) system allows a researcher to explicitly keep track of all the electrons in a reaction to ensure that none are spuriously… |
Belofte én beperkingen volgens het team
De ontwikkelaars zelf benadrukken dat FlowER momenteel nog een proof-of-concept is. Het is uitstekend in het voorspellen van chemische mechanismen en beperkingen zoals massabehoud, maar de dataset is nog beperkt—onder meer in reikwijdte ten aanzien van metaalhoudende reacties en katalytische processen.
Toepassingen en open source toegankelijkheid
Ondanks de nog beperkte dataset is FlowER al slagvaardig genoeg om nuttige voorspellingen te maken. Beschikbaar via GitHub, biedt het model een platform voor onderzoek op gebieden zoals medicijnchemie, materiaalontwikkeling, verbrandingsprocessen, atmosferische chemie en elektrochemie. Volgens Connor Coley en Mun Hong Fong geeft het model een stevige basis voor accurate voorspellingen en verkenning van reactiviteit – met het potentieel om uiteindelijk nieuwe reactiearchitecturen uit te vinden.
MIT’s FlowER legt het fundament voor AI die chemie combineert met natuurkundige correctheid. Door electronenstromen te modelleren binnen een generatief kader, haalt het systeem de voorspellende kracht van AI naar een nieuw niveau. Terwijl verdere ontwikkeling nodig is, lijkt FlowER een waardevolle stap richting betrouwbaardere, schaalbare en inzichtelijke chemische AI-voorspellingen.
|
Electron flow matching for generative reaction mechanism prediction - NatureCentral to our understanding of chemical reactivity is the principle of mass conservation1, which is fundamental for ensuring physical consistency, balancing equations and guiding reaction design. However, data-driven computational models2–9 for tasks such as reaction product prediction rarely abide by this most basic constraint10–13. Here we recast the problem of reaction prediction as a problem of electron redistribution using the modern deep generative framework of flow matching14–16, explicitly conserving both mass and electrons through the bond-electron (BE) matrix representation17,18. Our model, FlowER, overcomes limitations inherent in previous approaches by enforcing exact mass conservation, resolving hallucinatory failure modes, re |
