By Kenna Hughes-Castleberry offentliggjort 07. oktober 2022
Mange ligninger inden for kvantefysik kan være nyttige til at vejlede forskere, der ser på kemiske interaktioner. Som både kvantefysik og kemi arbejder på de samme atomare niveauer, bruges de ofte sammen med hinanden for at opnå nye resultater. For nylig har forskere ved Los Alamos National Laboratory (LANL) tog denne parring et skridt videre ved at tilføje machine learning processer til at hjælpe med at forudsige biokemisk interaktion i molekylære simuleringer. Dette kan igen hjælpe med at fremskynde skridt i lægemiddeldesign og andre industriscenarier, hvilket gør lægemidler sikrere og hurtigere på lang sigt.
Brug af maskinlæring til datasæt
Der er allerede maskinlæringsprocesser anvendt til kvanteberegning og kvantefysik. Fordi maskinlæring forudsiger og skaber mønstre fra store grupper af data, er det gavnligt for felter som kvantefysik eller kemi, som har mange bevægelige brikker. Ifølge LANL-forsker Benjamin Nebgen: “før fremkomsten af maskinlæringsmetoder (ML) inden for kemi og materialevidenskab, var den største praktiske simulering af kemi og materialesystemer begrænset til et par tusinde atomer. Dette er alt for lille til nøjagtigt at fange mange effekter, der dikterer kemiske eller materielle egenskaber, såsom kornveje eller sjældne reaktive veje." Takket være fordelene ved maskinlæring kan forskere studere mere komplicerede scenarier i simuleringer, herunder dem, der fokuserer på kvantefysik og kemi.
For forskere, der designer nyt stoffer eller studere kemiske reaktioner, er det vigtigt fuldt ud at forstå, hvad der sker med elektronerne på kvanteniveau. "Bevægelsen af elektroner og atomkerner kontrollerer næsten alle de kemiske og materielle egenskaber, der definerer vores moderne eksistens," sagde Nebgen. "Dette inkluderer kemien i alt fra de stoffer, vi tager, de husholdningsrengøringsmidler, vi bruger dagligt, til brændstofferne i vores egne biler og lastbiler. Yderligere er egenskaberne af materialer, der udgør vores biler, huse, værktøjer, fly og næsten alt, hvad vi interagerer med dagligt, styret af den samme underliggende fysik." Dette gør det muligt for forskere at sondere dybere ind i et molekyles interaktioner på et grundlæggende niveau. Men når dette niveau er nået, følger mere kompliceret matematik. "De kræfter, der virker på individuelle atomer, som indgår i Newtons ligninger, stammer fra elektronernes bevægelse, som i sagens natur er kvante," forklarede Nebgen. "Således skal elektronerne behandles med Schrodinger-ligningen, som er et meget mere udfordrende matematisk problem at løse."
LANL bruger maskinlæring til at skabe modeller
For at overvinde disse vanskelige ligninger bruger forskere som Nebgen maskinlæringsværktøjer. Disse værktøjer kan accelerere en kemisk simulering ved kun at fokusere på nogle få af de vigtigste elektroner i systemet, tilføjede Nebgen. Ved at bruge et maskinlæringsværktøj kaldet et neuralt netværk var Nebgen og hans team i stand til at lave en prædiktiv model af de mulige elektrontilstande og deres tilknyttede energier i et molekyle. Derfra kunne holdet forudsige med nøjagtighed nogle af de mulige resultater af simuleringen givet forskellige input. For biotekvirksomheder, der bruger millioner af dollars på at designe og teste nye lægemidler, kan prædiktive modeller som denne give mange omkostningseffektive fordele. Selvom det ikke er nyt at bruge maskinlæring i lægemiddelindustrien, kan det at kombinere det med kraften i kvantecomputere skabe den næste generation af teknologi, der er nødvendig for at lancere fremtidige lægemidler.
Kenna Hughes-Castleberry er medarbejderskribent hos Inside Quantum Technology og Science Communicator på JILA (et partnerskab mellem University of Colorado Boulder og NIST). Hendes skrivebeats inkluderer deep tech, metaverset og kvanteteknologi.
