Machine learning methods for computational studies in origins of life ; Méthodes d'apprentissage automatique pour l'étude par computationnelle des origines de la vie
Titel:
Machine learning methods for computational studies in origins of life ; Méthodes d'apprentissage automatique pour l'étude par computationnelle des origines de la vie
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
La chimie prébiotique consiste en l’étude des réactions chimiques aux origines de la vie sur Terre. C’est un très vaste sujet qui mobilise plusieurs domaines scientifiques dont la physique numérique. En effet, des simulations de dynamiques moléculaire de haute précision peuvent être menées pour tester l’influence de différents environnements plausibles sur la synthèse de molécules : ce composant a-t-il pu apparaître dans le milieu interstellaire ? Sa formation est-elle favorisée par la présence de surfaces minérales ? Elles peuvent aussi être utilisées pour identifier des intermédiaires réactionnels trop peu stables pour être observés expérimentalement et mieux comprendre les mécanismes de formation. Pour cela, des méthodes d’échantillonnage avancé (EA) comme la metadynamique ou l’umbrella sampling sont utilisées pour explorer et échantillonner l’espace chimique. Ces méthodes peuvent être utilisées par exemple pour étudier la synthèse des acides aminés, qui constituent les briques de base des protéines, des molécules clés pour le vivant. Cela a été fait par Magrino et al, avec l’étude de la synthèse par voie de Strecker de la glycine, l’acide aminé le plus simple, en milieu aqueux. Cela a permis d’identifier tous les intermédiaires réactionnels présents dans cette voie de synthèse et de caractériser leur stabilité relative. Cependant, ces simulations dites ab initio qui prennent en compte les degrés de liberté électroniques ont un coût de calcul élevé et seuls de petits systèmes de l’ordre de la centaine d’atomes peuvent être étudiés. Pour remédier à ce problème, des méthodes d’apprentissage automatique (AA) qui permettent de réduire ce temps de calcul ont été mises en places pour des systèmes à l’équilibre. Peu d’études ont proposé des méthodes d’AA s’appliquant à des événements réactifs qui nécessitent un modèle précis sur l’entièreté de l’espace chimique en conjonction avec l’usage de méthodes d’EA. Dans un premier temps, nous nous appuyons sur les données existantes de la première étape de la synthèse ...