مقالات

هوش مصنوعی حالتهای گذرا را با تحقیقات دقیق استثنایی پیش بینی می کند



هوش مصنوعی حالتهای گذرا را با تحقیقات دقیق استثنایی پیش بینی می کند

یک مدل جدید هوش مصنوعی ، واکنش نشان می دهد ، می تواند با پیش بینی شرایط انتقالی با دقت قابل توجه در حالی که کار را در کمتر از ثانیه انجام می دهد و از قدرت محاسباتی بسیار کمتری نسبت به روشهای معمولی استفاده می کند ، شیمی محاسباتی را متحول کند.

“یوانزی DU مربوط به دانشگاه کرنل ، توضیح می دهد:” به یک واکنش شیمیایی مانند گردشگری از طریق چشم انداز کوه ها و دره ها فکر کنید. ” “حالت انتقال یک نقطه زین است – بزرگترین نقطه در خط الراس کوهستانی که دو دره را به هم وصل می کند. پیدا کردن این مسئله دشوار است زیرا این مکان بسیار ناپایدار است: حتی یک قدم کوچک را در یک جهت بردارید و در یک دره قرار خواهید گرفت.”

شرایط انتقالی گریزان شناخته شده است ، فقط برای FEMO یا PICOSECONDS قبل از ناپدید شدن موجود است. چنگرو دوان از انستیتوی فناوری ماساچوست ، یکی دیگر از نویسنده های مسئول می گوید: “فقط طیف سنجی فوق العاده برافروخته می تواند چند نمونه را ضبط کند.” با این حال ، درک شرایط انتقالی بسیار مهم است ، زیرا آنها مانع انرژی بین معرفها و محصولات را تعیین می کنند ، هم مکانیسم و ​​هم میزان واکنش را شکل می دهند.

به طور سنتی ، شیمیدان با محاسبه حداقل مسیر انرژی – نوعی پل پرانرژی بین معرفها و محصولات ، حالتهای گذرا را پیش بینی می کنند. این شامل ردیابی محتمل ترین مسیری است که سیستم شیمیایی از ابتدا تا انتها طی می کند. هنگامی که دانشمندان فقط ساختارهای شروع مولکول ها و محصولات را می شناسند ، از روشهای محاسبه برای ارزیابی مسیر واکنش استفاده می کنند. اگرچه این روش ها با ارزش هستند ، “این محاسبات معمولاً به هزاران تخمین انرژی و انرژی نیاز دارند ، که باعث می شود آنها بسیار زمان بمانند.”

رویکرد جدید

برای مقابله با این مشکل ، Du ، Duan و همکارانش یک روش محاسبات جدید را تهیه کرده اند که از نوعی AI تولیدی استفاده می کند ، که به عنوان یک مدل انتشار شناخته می شود. این مدلها با افزودن سر و صدا به داده های آموزش و سپس یادگیری نحوه تبدیل فرایند با بازسازی مؤثر ورودی اصلی مرحله -در مرحله کار می کنند.

“به جای استفاده از سر و صدای گاوسی به عنوان فرض اولیه حالتهای انتقالی ، OTCT-OTER از درون یابی خطی معرفها و محصولاتی مشابه فرضیات اولیه تحصیل کرده استفاده شده در روشهای بهینه سازی کلاسیک استفاده می کند.” “سپس ما یک مدل جریان را آموزش می دهیم که به طور هموار و به طور قطعی نمونه ها را از این فرضیات تحصیل کرده به شرایط انتقالی منتقل می کند.”

React-Ooot بر روی مجموعه ای از داده های در دسترس عمومی حاوی بیش از 10،000 واکنش ارگانیک مختلف و جفت معرفها ، شرایط انتقالی و محصولات مورد آزمایش قرار گرفت. دوان می گوید: “جای تعجب نیست ، ما آخرین نتایج را داریم.” “اما ما در آنجا متوقف نشدیم.” ما برای بررسی یک مشکل شبکه واکنش در دنیای واقعی ، React-Ooot را فشار داده ایم: تجزیه γ- کتیدروپراکسید. “

این تیم دریافتند که React-Ooot خیلی دقیق نیست بلکه بسیار سریع است. تیموتی جنکینز در دانشگاه فنی دانمارک ، که در این مطالعه شرکت نکرد ، گفت: “پیشرفت ها چشمگیر به نظر می رسد.” “بیشتر روشهای موجود … از شیمی کوانتومی استفاده کنید ، که دقیق اما بسیار کند است. وقتی روش های دیگر می توانند چند دقیقه تا ساعت مولکول طول بکشد ، React-OT آن را کمتر از یک ثانیه می کند.”

React-OT بر اساس یک مدل قبلی ، OA-Reactdiff ایجاد شده توسط Duan در سال 2023 ساخته شده است. [an] او می گوید ، یک حالت دقیق در حال انتقال است. با این حال ، این ماهیت تصادفی مدل های انتشار را به همراه دارد ، به این معنی که ما یک پاسخ تعیین شده دریافت نمی کنیم. این ما را دیوانه می کند زیرا شیمی یک علم دقیق است.

پیش بینی حمل به سطح بعدی

این موفقیت هنگامی رخ داد که Duan با مطالعه گان روبرو شد ، که از یک تکنیک ریاضی به نام حمل و نقل بهینه در تولید تصویر استفاده می کند ، و فهمید که این دقیقاً همان چیزی است که او برای آوردن OA-Reactdiff به سطح بعدی نیاز داشت. دوان توضیح می دهد: “به جای تبدیل نویز گاز به توزیع هدف ، ما باید با یک فرض تحصیل کرده شیمی شروع کنیم و سپس حمل و نقل بهینه را به هدف انجام دهیم.” نتیجه یک مدل React-Ooot-AI تا 1000 برابر سریعتر هنگام شناسایی شرایط انتقال بدون قربانی کردن دقت بود. Duan می افزاید: “مقایسه مناسب برای تولید یک ساختار در حالت انتقال نتیجه می گیرد که واکنش واکنش 60 ٪ به طور دقیق در 20 بار است.”

کری لایزون از دانشگاه آلتو ، که در این مطالعه شرکت نکرد ، گفت: “اینها پیشرفت های مهمی هستند ، به ویژه هنگامی که از این نوع روش برای حل مشکلات موجود در جهان استفاده می شود ، مانند واکنش های شیمیایی چند مرحله ای یا حتی تاشو پروتئین.” “مجموعه آموزش آموزش بسیار بزرگتر از مطالعات قبلی است ، و این برای پیش بینی خوب مهم است. دیدن اینکه چگونه واکنش در برنامه های شیمیایی پیچیده انجام خواهد داد بسیار جالب خواهد بود.”

جنکینز می افزاید: “او در حال حاضر یک مشکل متمرکز را حل می کند.” “اما این رویکرد به اندازه کافی برای گسترش است. اصول موجود در پشت واکنش می تواند در نهایت استفاده در مدل سازی تغییرات در مولکولهای زیستی یا در طراحی پروتئین های کاتالیزوری را پیدا کند که واکنش ها را از طریق شرایط انتقالی خاص هدایت می کند.”

محققان هوش مصنوعی تولیدی را ابزاری قدرتمند برای تجدید نظر در مورد بازنگری در تشخیص شیمیایی می دانند – انتقال از غربالگری سنتی به واکنشهای شیمیایی فعال. “هوش مصنوعی تولیدی ارائه می دهد [a new way of thinking] دوان در مورد چگونگی انجام شیمی نتیجه گیری می کند. “به جای اینکه فقط فضای عظیمی از واکنشهای شیمیایی را بررسی کنیم ، اکنون می توانیم واقعاً کاوش کنیم.”


Source link

نوشته های مشابه

دکمه بازگشت به بالا