Istnieją obecnie pewne problemy, których sztuczna inteligencja i uczenie maszynowe nie są w stanie rozwiązać. Naukowcy z Narodowego Uniwersytetu w Jokohamie wykorzystują tę nowoczesną funkcję, aby przezwyciężyć problemy, których nie są w stanie pokonać tradycyjne metody.
Stworzona przez nas aplikacja internetowa przeznaczona do użytku przez chemików doświadczalnych. Pobierz obliczony plik za pomocą dostępnego na rynku oprogramowania i można przeprowadzić analizę stanu elektronicznego. Pracujemy nad stworzeniem platformy, która umożliwi chemikom na całym świecie analizowanie ich układów reakcyjnych.
Uniwersytet Narodowy w Jokohamie
Jeśli chodzi o reakcję cząsteczek zawierających węgiel (lub organicznych), należy pamiętać o kilku zasadach. Określ położenie grup w cząsteczce, która oddziałuje z otoczeniem, rozmiar, kształt i położenie cząsteczki oraz cząsteczkę, z którą oddziałuje. Wynik danej reakcji może być bardzo różny w zależności od tych i wielu innych czynników, a przewidzenie tych wyników okazało się głównym wyzwaniem w dziedzinie chemii. Kontrolowanie wyniku jest absolutnie niezbędnym elementem procesu syntezy chemicznej, ale przewidywania nie zawsze są wystarczające. Na szczęście uczenie maszynowe i sztuczna inteligencja (AI) mogą ponownie pomóc w przyspieszeniu postępu, przewidując szybkość lub selektywność danej reakcji. Dlatego technologia ta może być przydatna w przewidywaniu, jakiego produktu się spodziewać.
Naukowcy opublikowali swoje odkrycia w czasopiśmie Journal of Chemical Information and Modeling 9 kwietnia.
W chemii organicznej liczy się każdy szczegół. Dwa typowe obszary, które mogą wpływać na interakcję cząsteczki z innymi cząsteczkami, to ciała sztywne i orbitale. Statyka odnosi się do rozmieszczenia cząsteczek, a efekty steryczne mogą determinować kształt cząsteczki i interakcję. Może to wynikać z rozmiaru lub ładunku pojedynczej cząsteczki lub atomu. Orbitale pozwalają wyjaśnić najbardziej prawdopodobną pozycję elektronów, które z kolei mogą oddziaływać z innymi cząsteczkami lub atomami, powodując reakcje. Czynniki te mogą się radykalnie zmienić, gdy nukleofil, czyli reagent oddający elektrony, może związać się z cząsteczką akceptora. Nazywa się to „selektywnością” i w zależności od tego, gdzie cząsteczka się wiąże, w rezultacie mogą powstać różne produkty lub wydajności pożądanego produktu. Naukowcy wykorzystują sztuczną inteligencję i uczenie maszynowe, a także istniejącą wiedzę na temat reakcji chemicznych, aby lepiej wyjaśnić te aspekty selektywności molekularnej.
„Aby określić, jakie informacje można wykorzystać jako podstawowe informacje chemiczne przekazywane AI, konieczne jest połączenie wiedzy chemicznej z wiedzą o sztucznej inteligencji i uczeniem maszynowym” – powiedział korespondent Hiroaki Gotoh, profesor nadzwyczajny w Yokohama College of Engineering. Uniwersytet Narodowy.
Po pierwsze, komputer musiał otrzymać pewne informacje, z których mógł się uczyć. Do zainicjowania procesu nauczania sztucznej inteligencji wykorzystano informacje z literatury z zakresu chemii obliczeniowej oraz informacje z poprzednich badań. Po ręcznym wprowadzeniu danych dla konkretnych zastosowanych cząsteczek i ustaleniu optymalnych parametrów, przeprowadzono analizę danych w oparciu o oczekiwane wyniki dla zbioru danych testowych. Analizy te pozwalają sztucznej inteligencji uczyć się i przewidywać przyszłe wybory na podstawie już znanych informacji. „Ta metoda pozwala na bardziej kompleksową analizę i interpretację mechanizmów reakcji poprzez obliczenie parametrów pola sferycznego, które naśladują podejście nukleofilowe” – powiedział Daimon Sakaguchi, pierwszy autor badania na Wydziale Chemii i Nauk Przyrodniczych Uniwersytetu Narodowego w Jokohamie.
W badaniu pomyślnie wyjaśniono selektywność 323 reakcji ośmiu nukleofili, na podstawie której „powierzchnia” cząsteczki wytworzy pożądaną ilość produktu. Selektywność zmienia się w zależności od steryczności cząsteczki, a także jej parametrów orbitalnych. Naukowcy odkryli, że w przypadku niektórych cząsteczek czynnik orbitalny jest ważniejszy w określaniu selektywności twarzy, a w przypadku innych jest bardziej zależny od właściwości cząsteczki podczas interakcji z jej nukleofilem.
Połączenie technologii predykcyjnej i uczenia maszynowego z solidną wiedzą chemiczną może prowadzić do lepszych wyników reakcji chemicznych i pomóc chemikom w prostszej syntezie produktów naturalnych i chemikaliów farmaceutycznych.
Upraszczając ten proces za pomocą uczenia maszynowego i sztucznej inteligencji, można przeprowadzić więcej eksperymentów. Idealnie byłoby, gdyby badacze mieli nadzieję na współpracę z chemikami eksperymentalnymi w celu zaprojektowania reakcji, które będą kontynuowane w miarę opracowywania technologii bardziej predykcyjnej dla reakcji chemicznych.
„Analityk. Nieuleczalny nerd z bekonu. Przedsiębiorca. Oddany pisarz. Wielokrotnie nagradzany alkoholowy ninja. Subtelnie czarujący czytelnik.”
