IA et chimie : un nouveau modèle prédit directement la matrice hessienne des molécules, sans dérivées coûteuses, 10 à 70 fois plus vite

Une équipe de l'Université de Toronto a publié dans Nature Computational Science une nouvelle méthode, HIP, qui prédit directement la matrice hessienne complète d'une molécule en évitant l'étape coûteuse de dérivation. Prédiction directe : une seule passe avant fournit la matrice hessienne complète (3N×3N, dérivées secondes), sans différentiation automatique, sans différences finies et sans résolution de perturbations couplées. Plus rapide et plus économe : sur de petites molécules, elle est 10 à 70 fois plus rapide que les méthodes d'apprentissage automatique fondées sur la dérivation, consomme 2 à 3 fois moins de mémoire en pic et réduit l'erreur de prédiction d'environ moitié. La physique inscrite dans l'architecture : fondée sur le réseau de neurones de graphes équivariant EquiformerV2, la symétrie de rotation et la symétrie de la matrice sont garanties par construction, au lieu d'être apprises péniblement à partir des données d'entraînement. La hessienne est essentielle au calcul des vibrations moléculaires et des chemins réactionnels ; plus elle se calcule vite, plus le criblage de médicaments et de matériaux peut aller vite. > Lien d'origine : [consulter l'article original](https://bioengineer.org/ai-model-predicts-molecular-curvature-directly-skipping-costly-derivatives/). Ce texte est un résumé, fourni à titre indicatif uniquement.