Utiliser des méthodes computationnelles pour analyser les réactions chimiques et les énergies moléculaires au-delà des limites expérimentales.L'analyse computationnelle des réactions utilise des simulations informatiques pour étudier les réactions chimiques au niveau moléculaire, fournissant des détails difficiles ou impossibles à obtenir expérimentalement. Elle implique le calcul des énergies des molécules, des états de transition et des chemins réactionnels afin de prédire la vitesse d'une réaction, les produits qui se formeront et comment la contrôler. Cela est particulièrement précieux pour des systèmes complexes comme les enzymes, les catalyseurs ou les réactions dans des conditions extrêmes.
Le domaine a débuté dans les années 1970 avec des méthodes semi-empiriques, mais est devenu pratique dans les années 1990 avec l'essor de la DFT et la puissance de calcul abordable. Les avancées récentes incluent des algorithmes de calcul quantique pour la chimie, comme mentionné dans l'article « Suprématie quantique en chimie ».
Les méthodes reposent sur la mécanique quantique, principalement la théorie de la fonctionnelle de la densité (DFT) ou des méthodes plus précises basées sur la fonction d'onde, qui résolvent l'équation de Schrödinger pour les électrons d'une molécule. À partir de ces calculs, on obtient des surfaces d'énergie potentielle — des cartes montrant comment l'énergie varie lorsque les atomes se déplacent. En localisant les minima (réactifs, produits) et les points de selle (états de transition), les chercheurs peuvent calculer les vitesses de réaction à l'aide de la théorie de l'état de transition. L'apprentissage automatique est de plus en plus utilisé pour accélérer ces calculs en apprenant à partir de grands ensembles de données de résultats chimiques quantiques.
Elle est utilisée dans la découverte de médicaments pour prédire comment les médicaments se lient aux protéines, dans la recherche en catalyse pour concevoir des catalyseurs industriels plus efficaces, et en science des matériaux pour cribler de nouvelles molécules aux propriétés souhaitées.
Les réseaux de neurones modernes entraînés sur des millions de collisions moléculaires peuvent prédire les résultats de réactions plus rapidement que la chimie quantique traditionnelle, comme le souligne l'article « EveNet : comment un réseau de neurones apprend de 500 millions de collisions ».
| A | variable | Reactant species A — chemical species |
| B | variable | Reactant species B — chemical species |
| C | variable | Product species C — chemical species |
| D | variable | Product species D — chemical species |
| + | opérateur | Combines reactants or products — addition operator |
| -> | opérateur | Indicates direction of transformation — reaction arrow |

















