DeepMind AI با یکی از با ارزش ترین تکنیک های شیمی مقابله می کند

تیمی به سرپرستی دانشمندان در شرکت اطلاعاتی مصنوعی مستقر در لندن DeepMind یک مدل یادگیری ماشین را تهیه کرده است که با پیش بینی توزیع الکترون ها در آن ، ویژگی های یک مولکول را نشان می دهد. این رویکرد ، که در شماره 10 دسامبر علم 1 شرح داده شده است ، می تواند خواص برخی از مولکول ها را با دقت بیشتری نسبت به تکنیک های موجود محاسبه کند.

آناتول فون لیلینفلد ، دانشمند مواد در دانشگاه وین می گوید: "برای درست کردن آن به همان اندازه که انجام داده اند یک شاهکار است."

Katarzyna Peal ، یک شیمیدان محاسباتی در دانشگاه فناوری لودز در لهستان می گوید: این مقاله "یک کار جامد" است. اما وی می افزاید: مدل یادگیری ماشین قبل از آن می تواند برای شیمیدانان محاسباتی مفید باشد.

پیش بینی خواص

در اصل ، ساختار مواد و مولکول ها به طور کامل توسط مکانیک کوانتومی و به طور خاص توسط معادله شرودینگر ، که حاکم بر رفتار عملکردهای الکترونی است ، تعیین می شود. اینها وسایل ریاضی هستند که احتمال یافتن یک الکترون خاص در موقعیت خاص در فضا را توصیف می کنند. اما از آنجا که تمام الکترون ها با یکدیگر در تعامل هستند ، محاسبه ساختار یا مدارهای مولکولی از چنین اصول اول یک کابوس محاسباتی است و می تواند فقط برای ساده ترین مولکول ها مانند بنزن انجام شود ، می گوید: جیمز کرکپاتریک ، فیزیکدان در DeepMind.

آیا هوش مصنوعی می تواند مطالب شگفت انگیز بعدی را ایجاد کند؟

برای حل این مشکل ، محققان - از داروسازان گرفته تا مهندسان باتری - که کار آنها به کشف یا توسعه مولکول های جدید متکی است برای چندین دهه است که به مجموعه ای از تکنیک ها به نام تئوری عملکردی چگالی (DFT) متکی هستند تا خصوصیات فیزیکی مولکول ها را پیش بینی کنند. این تئوری سعی در مدل سازی الکترون های فردی ندارد ، بلکه در عوض هدف آن محاسبه توزیع کلی بار الکتریکی منفی الکترون ها در سراسر مولکول است. کرکپاتریک می گوید: "DFT به چگالی شارژ متوسط نگاه می کند ، بنابراین نمی داند الکترونهای جداگانه چیست."سپس بیشتر خصوصیات ماده می تواند به راحتی از آن چگالی محاسبه شود.

از زمان آغاز آن در دهه 1960 ، DFT به یکی از پرکاربردترین تکنیک های علوم فیزیکی تبدیل شده است: یک تحقیق توسط تیم خبری طبیعت در سال 2014 نشان داد که ، از 100 مقاله برتر با استناد ، 12 مورد در مورد DFT بودند. پایگاه داده های مدرن از خصوصیات مواد ، مانند پروژه مواد ، تا حد زیادی از محاسبات DFT تشکیل شده است.

اما این رویکرد محدودیت هایی دارد و شناخته شده است که برای انواع خاصی از مولکول ها ، حتی برخی به سادگی کلرید سدیم ، نتایج اشتباهی را ارائه می دهد. و اگرچه محاسبات DFT بسیار کارآمدتر از مواردی است که از نظریه کوانتومی اساسی شروع می شود ، اما هنوز هم دست و پا گیر هستند و اغلب به ابر رایانه ها نیاز دارند. بنابراین ، در یک دهه گذشته ، شیمیدانان نظری به طور فزاینده ای شروع به آزمایش یادگیری ماشین کردند ، به ویژه برای مطالعه خواص مانند واکنش شیمیایی مواد یا توانایی آنها در انجام گرما.

مسئله ایده آل

تیم DeepMind احتمالاً جاه طلبانه ترین تلاش برای استقرار AI برای محاسبه تراکم الکترون ، نتیجه نهایی محاسبات DFT است. آرون کوهن ، یک شیمیدان نظری که مدتهاست روی DFT کار کرده است و اکنون در DeepMind است ، می گوید: "این یک نوع مشکل ایده آل برای یادگیری ماشین است: شما جواب را می دانید ، اما فرمولی که می خواهید اعمال کنید ، نیست."

هوش مصنوعی DeepMind به حل و فصل ریاضیات گره ها کمک می کند

این تیم یک شبکه عصبی مصنوعی را در مورد داده های 1،161 راه حل دقیق حاصل از معادلات شرودینگر آموزش داده است. برای بهبود صحت ، آنها همچنین برخی از قوانین شناخته شده فیزیک را به شبکه سخت کردند. آنها سپس سیستم آموزش دیده را روی مجموعه ای از مولکول ها که اغلب به عنوان معیار DFT استفاده می شوند ، آزمایش کردند و نتایج چشمگیر بود. او می گوید: "این بهترین چیزی است که جامعه موفق به دستیابی به آن شده است و آنها آن را با حاشیه ضرب و شتم می کنند."

فون لیلیفلد می افزاید: یکی از مزیت های یادگیری ماشین ، این است که اگرچه برای آموزش مدل ها مقدار زیادی از قدرت محاسباتی را می طلبد ، اما این روند فقط باید یک بار انجام شود. پیش بینی های فردی می تواند بر روی یک لپ تاپ معمولی انجام شود و در مقایسه با انجام محاسبات از ابتدا هر بار ، هزینه و ردپای کربن را بسیار کاهش می دهد.

کرکپاتریک و کوهن می گویند که DeepMind سیستم آموزش دیده خود را برای استفاده از هر کسی آزاد می کند. در حال حاضر ، این مدل بیشتر در مورد مولکول ها و نه برای ساختارهای کریستالی مواد اعمال می شود ، اما نویسندگان می گویند که نسخه های آینده نیز می توانند برای مواد کار کنند.

طبیعت 600 ، 371 (2021)

منابع

کرکپاتریک ، جی. و همکاران. Science 374 ، 1385-1389 (2021).