Kimyasal Tahminler Yapan Yapay Zeka
Kimyasal tepkimeler daha karmaşık hale geldikçe, araştırmacıların bir laboratuvar bankında oturarak neler yapabileceğini ön görmesi ve kimyasalları karıştırmaya başlaması her zaman pratik değildir.

Caltech'te bir kimya profesörü olan Tom Miller, Resnick Sürdürülebilirlik Enstitüsü'nde doktora sonrası araştırmacı Matt Welborn ve Kimya yüksek lisans öğrencisi olan Lixue Cheng, reaktiflerin test tüpüne çarpmasından çok önce kimyasal reaksiyonlarını tahmin etmek için makine öğrenimini kullanan yeni bir araç geliştirdi.

Onların yaptığı, kimya tahminlerini yapmak için geliştirilmiş ilk hesaplama aracı değildir. Hali hazırda kullanımda olanı geliştiriyorlar. Önemli olan ise, bu tür tahminlerin sahada büyük bir etki yaratmasıdır.

Miller, “Makroskopik dünyada önem verdiğimiz şeylerin altında yatan mikroskobik özelliklerin öngörüsü, bir katalizörün diğerinden daha iyi performans göstermesi ve yeni uyuşturucuların tanımlamasını için bize önceden bilgi veriyor” diyor. Miller, Dünyadaki tüm süper bilgisayarın önemli bir kısmının kimya tahminlerine zaman ayırdığına işaret ediyor, bu nedenle verimlilikteki artış araştırmacılara çok fazla zaman ve masraf tasarrufu sağlayabilir. Caltech araştırmacılarının çalışmaları temel olarak tahmin yazılımı için bir odak değişikliği sağlıyor. Önceki araçlar, yoğunluk fonksiyonel teorisi (DFT), birleştirilmiş küme teorisi (CC) veya Møller – Plesset pertürbasyon teorisi (MP2) olarak bilinen üç hesaplama modelleme yöntemine dayanmaktadır. Bu teoriler, kuantum mekaniğinin büyük bir rol oynadığı karmaşık sistemleri tanımlayan Schrödinger denklemine yaklaşmak için üç farklı yaklaşımı temsil ediyor.

Bu teorilerin her birinin kendine özgü avantajları ve dezavantajları vardır. DFT, araştırmacılara cevapları daha hızlı, ancak daha az doğrulukla veren hızlı ve kirli bir yaklaşımdır. CC ve MP2 çok daha doğrudur ancak çok daha fazla hesaplama gücü ve kullanmak için daha uzun zaman gerektiriyor. Miller, Cheng ve Welborn'un aracı, iğneleri işleyerek, DFT ile yaratılandan daha doğru ve CC ile MP2'nin sunabileceği süreden daha az tahminlere erişmelerini sağlıyor. Bunu, bir molekülün etrafındaki elektron bulutu makine-öğrenme algoritmalarını moleküler orbitallerin özellikleri üzerine odaklayarak yapıyorlar. Zaten var olan araçlar, aksine, bir moleküldeki atom türlerine veya atomların birbirine bağlandığı açılara odaklanıyor.

Şimdiye kadar, sadece nispeten basit sistemler hakkında tahminler yapmak için kullanılmasına rağmen, çok fazla umut veriyor. Miller, gerçek testin, daha karmaşık kimyasal problemlere nasıl uygulanacağını görmek olduğunu söylüyor. Yine de, ön sonuçların iyimser olduğunu belirtiyor. Çalışma, Kimyasal Kuram ve Hesaplama Dergisi'nde yer alan “Moleküler Orbital Esaslı Elektronik Yapıya Makine Öğrenmede Aktarılabilirlik” başlıklı bir makalede anlatılmıştır. Destek, Resnick Sürdürülebilirlik Enstitüsü Doktora Sonrası Araştırma Bursu olan Hava Kuvvetleri Dairesi Başkanlığı ve Camille Dreyfus Öğretmen-Burs Ödülü tarafından sağlanmış.

Çeviri: Esen Çiftçi

Kaynaklar
1) https://arxiv.org/abs/1806.00133
2) http://www.pasadenanow.com/main/caltech-researchers-put-artificial-intelligence-to-work-making-chemistry-predictions/#.W4ZGn-j7SUk
3) Journal of Chemical Theory and Computation

Fizikist
Türkiye'nin Popüler Bilim Sitesi

0 yorum