تحقیقات جدید از LANL با ترکیب فیزیک کوانتومی، شیمی و یادگیری ماشین، یک مدل پیش‌بینی‌کننده برای طراحی دارو ایجاد می‌کند.

بسیاری از معادلات در فیزیک کوانتومی می توانند برای راهنمایی محققانی که به فعل و انفعالات شیمیایی نگاه می کنند مفید باشند. به عنوان هر دو فیزیک کوانتومی و شیمی در سطوح اتمی یکسانی کار می کنند، آنها اغلب در کنار یکدیگر برای دستیابی به نتایج جدید استفاده می شوند. اخیراً محققان در آزمایشگاه ملی لوس آلاموس (LANL) این جفت شدن را با افزودن یک قدم جلوتر برد فراگیری ماشین فرآیندهایی برای کمک به پیش بینی تعامل بیوشیمیایی در شبیه سازی های مولکولی. این به نوبه خود می تواند به تسریع مراحل در طراحی دارو و دیگر سناریوهای صنعتی کمک کند و داروها را در دراز مدت ایمن تر و سریع تر کند.

استفاده از یادگیری ماشین برای مجموعه داده ها

در حال حاضر فرآیندهای یادگیری ماشینی در حال انجام است اعمال می شود به محاسبات کوانتومی و فیزیک کوانتومی. از آنجایی که یادگیری ماشین الگوهایی را از گروه‌های بزرگ داده‌ها پیش‌بینی و ایجاد می‌کند، برای رشته‌هایی مانند فیزیک کوانتومی یا شیمی که قطعات متحرک زیادی دارند، مفید است. به گفته محقق LANL بنیامین نبگن: «قبل از ظهور روش‌های یادگیری ماشینی (ML) در زمینه‌های شیمی و علم مواد، بزرگترین شبیه‌سازی عملی شیمی و سیستم‌های مواد با چند هزار اتم محدود می‌شد. این برای ثبت دقیق بسیاری از اثراتی که خواص شیمیایی یا مواد مانند مسیرهای دانه یا مسیرهای واکنشی نادر را دیکته می کنند بسیار کوچک است. به لطف مزایای یادگیری ماشین، محققان می توانند سناریوهای پیچیده تری را در شبیه سازی ها، از جمله سناریوهایی که بر فیزیک کوانتومی و شیمی متمرکز شده اند، مطالعه کنند.

برای دانشمندانی که جدید طراحی می کنند داروهای یا با مطالعه واکنش های شیمیایی، مهم است که به طور کامل بفهمیم که در سطح کوانتومی با الکترون ها چه اتفاقی می افتد. نبگن گفت: «حرکت الکترون‌ها و هسته‌های اتم تقریباً تمام ویژگی‌های شیمیایی و مادی را که وجود امروزی ما را تعریف می‌کند، کنترل می‌کند. این شامل ترکیب شیمیایی همه چیز، از داروهایی که مصرف می‌کنیم، پاک‌کننده‌های خانگی که روزانه استفاده می‌کنیم، تا سوخت خودروها و کامیون‌های خودمان است. علاوه بر این، ویژگی‌های موادی که ماشین‌ها، خانه‌ها، ابزارها، هواپیماها و تقریباً هر چیزی که روزانه با آن‌ها تعامل داریم، توسط همان فیزیک زیرین کنترل می‌شوند. این به محققان امکان می‌دهد تا عمیق‌تر برهم‌کنش‌های یک مولکول را در سطح بنیادی بررسی کنند. با این حال، پس از رسیدن به این سطح، ریاضیات پیچیده تری پیش می آید. نبگن توضیح داد: «نیروهایی که بر روی اتم‌های منفرد وارد می‌شوند و وارد معادلات نیوتن می‌شوند، از حرکت الکترون‌ها ناشی می‌شوند که ذاتاً طبیعت کوانتومی دارند. بنابراین، الکترون‌ها باید با معادله شرودینگر برخورد کنند، که حل آن یک مسئله ریاضی بسیار چالش‌برانگیز است.

LANL از یادگیری ماشین برای ایجاد مدل استفاده می کند

برای غلبه بر این معادلات دشوار، محققانی مانند Nebgen از ابزارهای یادگیری ماشینی استفاده می کنند. نبگن افزود: این ابزارها می توانند شبیه سازی شیمیایی را تنها با تمرکز بر تعداد کمی از مهم ترین الکترون های سیستم تسریع کنند. نبگن و تیمش با استفاده از ابزار یادگیری ماشینی به نام شبکه عصبی توانستند یک مدل پیش بینی از حالات الکترونی ممکن و انرژی های مرتبط با آنها در یک مولکول. از آنجا، تیم می‌تواند برخی از نتایج احتمالی شبیه‌سازی را با توجه به ورودی‌های مختلف با دقت پیش‌بینی کند. برای شرکت‌های بیوتکنولوژی که میلیون‌ها دلار برای طراحی و آزمایش داروهای جدید هزینه می‌کنند، مدل‌های پیش‌بینی‌کننده مانند این می‌تواند مزایای مقرون‌به‌صرفه‌ای داشته باشد. در حالی که استفاده از یادگیری ماشین در صنعت دارو چیز جدیدی نیست، ترکیب آن با قدرت محاسبات کوانتومی ممکن است نسل بعدی فناوری مورد نیاز برای راه اندازی داروهای آینده را ایجاد کند.

کنا هیوز-کستلبری نویسنده کارکنان Inside Quantum Technology و ارتباط دهنده علوم در JILA (شرکتی بین دانشگاه کلرادو بولدر و NIST) است. ضربات نویسندگی او شامل فناوری عمیق، متاورس و فناوری کوانتومی است.