Medikaynak Search
Üye Ol Üye Giriş
Medikaynak Menü
Üye Olun / Giriş Yapın Medikaynak Icon
Artboard
Medikaynak Rxmediapharma

Londra merkezli DeepMind isimli yapay zeka şirketinde bilim insanları tarafından yönetilen bir ekip, elektronlarının dağılımını tahmin ederek bir molekülün özelliklerini öneren bir makine öğrenme modeli geliştirmiştir. Science dergisinin 10 Aralık sayısında açıklanan yaklaşım, bazı moleküllerin özelliklerini mevcut tekniklerden daha doğru bir şekilde hesaplayabiliyor. Viyana Üniversitesi'nde malzeme bilimci Anatole von Lilienfeld, 'Bu kadar doğru yapmak büyük bir başarı' yorumunda bulunmuştur.

Polonya'daki Lodz Teknoloji Üniversitesi'nden kimyager Katarzyna Pernal makalenin 'sağlam bir çalışma' olduğunu söylemektedir. Ancak, makine öğrenimi modelinin kimyagerler için yararlı olabilmesi için kat etmesi gereken uzun bir yol olduğunu da eklemektedir.

DeepMind şirketinde çalışan fizikçi James Kirkpatrick 'Özelliklerin öngörülmesinde malzemelerin ve moleküllerin yapısı tamamen kuantum mekaniği tarafından ve özellikle de elektron dalga fonksiyonu davranışını yöneten Schrödinger denklemi tarafından belirlenmektedir. Bunlar uzayda belirli bir konumda belirli bir elektronu bulma olasılığını tanımlayan matematiksel araçlardır. Ancak tüm elektronlar birbiriyle etkileştiği için bu tür ilkeden yapıyı veya moleküler yerleşimi saptamak bir hesaplama kabusudur ve yalnızca benzen gibi en basit moleküller için yapılabilir' demiştir.

Çalışmaları yeni moleküller keşfetmeye veya geliştirmeye dayanan farmakologlardan pil mühendislerine kadar araştırmacılar moleküllerin fiziksel özelliklerini tahmin etme sorununu aşmak için onlarca yıldır yoğunluk fonksiyonel teorisi (DFT) adı verilen bir dizi tekniğe güvenmişlerdir. Teori tek tek elektronları modellemeye çalışmaz, bunun yerine elektronların molekül üzerindeki negatif elektrik yükünün genel dağılımını hesaplamayı amaçlamaktadır. Kirkpatrick, 'DFT ortalama yük yoğunluğuna bakar, bu nedenle bireysel elektronların ne olduğunu bilmez' demiştir. Maddenin çoğu özelliği bu yoğunluktan kolayca hesaplanabilmektedir

1960'lardaki başlangıcından bu yana DFT, fizik bilimlerinde en yaygın kullanılan tekniklerden biri haline gelmiştir: Nature dergisinin haber ekibi tarafından 2014'te yapılan bir araştırmada en çok alıntı yapılan ilk 100 makaleden 12'sinin DFT ile ilgili olduğu bulunmuştur. Ancak yaklaşımın sınırlılıkları vardır ve bazı molekül türleri için yanlış sonuçlar verdiği bilinmektedir. Ve DFT hesaplamaları temel kuantum teorisinden başlayanlara göre daha verimli olsa da genellikle süper bilgisayarlar gerektirir. Bu nedenle son on yılda teorik kimyacılar özellikle malzemelerin kimyasal reaktivitesi veya ısı iletme yetenekleri gibi özellikleri incelemek için makine öğrenimi ile deneyler yapmaya başlamışlardır.

Makine öğrenimi için ideal bir sorun

DeepMind ekibi, DFT hesaplamalarının sonucu olan elektron yoğunluğunu hesaplamak için yapay zekayı kullanmaya yönelik muhtemelen şimdiye kadarki en iddialı girişimi yaptı. 'Bu makine öğrenimi için ideal bir sorun: Cevabı biliyorsunuz, ancak uygulamak istediğiniz formülü bilmiyorsunuz' demektedir uzun süredir DFT üzerinde çalışan ve şu anda DeepMind'de olan teorik kimyacı Aron Cohen.

Ekip, Schrödinger denklemlerinden türetilen 1.161 doğru çözümden elde edilen veriler üzerinde bir yapay sinir ağını eğitmiştir. Doğruluğu artırmak için bilinen bazı fizik yasalarını da ağa bağlamışlardır. Daha sonra eğitimli sistemi genellikle DFT için bir kıyaslama noktası olarak kullanılan bir dizi molekül üzerinde test ettiler ve sonuçlar etkileyiciydi, demiştir von Lilienfeld.

Von Lilienfeld 'Makine öğreniminin bir avantajı modelleri eğitmek için büyük miktarda bilgi işlem gücü gerektirse de bu işlemin yalnızca bir kez yapılmasıdır. Bireysel tahminler daha sonra büyük ölçüde normal bir dizüstü bilgisayarda yapılabilir. Bu arada maliyeti ve karbon ayak izini azaltır' diye eklemiştir.

Kirkpatrick ve Cohen, DeepMind şirketinin bu eğitilmiş sistemi herkesin kullanımına açtıklarını söylüyor. Yazarlar şimdilik modelin çoğunlukla moleküllere uygulandığını, ancak gelecekteki sürümlerin malzemeler için de işe yarayabileceğini eklemiştir.

Medikaynak Referanslar

DeepMind AI tackles one of chemistry’s most valuable techniques, Nature NEWS 10 December 2021

+ Tüm Referansları Göster
  1. Benzer İçerikler