By Kenna Hughes-Castleberry julkaistu 07
Monet kvanttifysiikan yhtälöt voivat olla hyödyllisiä ohjaamaan tutkijoita, jotka tarkastelevat kemiallisia vuorovaikutuksia. Kuten sekä kvanttifysiikka että kemia työskentelevät samoilla atomitasoilla, niitä käytetään usein yhdessä toistensa kanssa uusien tulosten saavuttamiseksi. Äskettäin tutkijat Los Alamos National Laboratory (LANL) otti tämän parin yhden askeleen pidemmälle lisäämällä koneoppiminen prosessit, jotka auttavat ennustamaan biokemiallista vuorovaikutusta molekyylisimulaatioissa. Tämä puolestaan voisi auttaa nopeuttamaan vaiheita lääkesuunnittelussa ja muissa teollisuuden skenaarioissa, mikä tekee lääkkeistä turvallisempia ja nopeampia pitkällä aikavälillä.
Koneoppimisen käyttäminen tietojoukoissa
Koneoppimisprosessit ovat jo käynnissä sovellettu kvanttilaskentaan ja kvanttifysiikkaan. Koska koneoppiminen ennustaa ja luo kuvioita suurista tietoryhmistä, se on hyödyllinen aloille, kuten kvanttifysiikan tai kemian aloille, joilla on paljon liikkuvia paloja. LANL-tutkijan mukaan Benjamin Nebgen: "ennen koneoppimismenetelmien (ML) tuloa kemian ja materiaalitieteen aloille suurin kemian ja materiaalijärjestelmien käytännön simulaatio oli muutaman tuhannen atomin raja. Tämä on aivan liian pieni monien kemiallisten tai materiaalien ominaisuuksien määräävien vaikutusten, kuten jyväreittien tai harvinaisten reaktiivisten kulkureittien, tarkastamiseen. Koneoppimisen etujen ansiosta tutkijat voivat tutkia monimutkaisempia skenaarioita simulaatioissa, mukaan lukien kvanttifysiikkaan ja kemiaan keskittyvät skenaariot.
Tiedemiehille, jotka suunnittelevat uutta huumeet tai tutkimalla kemiallisia reaktioita, on tärkeää ymmärtää täysin mitä elektronien kanssa tapahtuu kvanttitasolla. "Elektronien ja atomiytimien liike ohjaa lähes kaikkia kemiallisia ja materiaalisia ominaisuuksia, jotka määrittelevät nykyaikaisen olemassaolomme", Nebgen sanoi. ”Tämä sisältää kaiken kemian käyttämistämme lääkkeistä, päivittäin käyttämistämme kodin puhdistusaineista omien autojemme ja kuorma-autojemme polttoaineisiin. Lisäksi automme, talomme, työkalumme, lentokoneemme ja lähes kaiken, minkä kanssa olemme vuorovaikutuksessa päivittäin, ominaisuuksia ohjaa sama taustalla oleva fysiikka. Tämä antaa tutkijoille mahdollisuuden tutkia syvemmälle molekyylin vuorovaikutuksia perustasolla. Kuitenkin, kun tämä taso saavutetaan, seuraa monimutkaisempaa matematiikkaa. "Yksittäisiin atomeihin vaikuttavat voimat, jotka menevät Newtonin yhtälöihin, johtuvat elektronien liikkeestä, jotka ovat luonnostaan kvanttiluonteisia", Nebgen selitti. "Siksi elektroneja on käsiteltävä Schrodingerin yhtälöllä, joka on paljon haastavampi matemaattinen ongelma ratkaistavaksi."
LANL käyttää koneoppimista mallien luomiseen
Näiden vaikeiden yhtälöiden voittamiseksi Nebgenin kaltaiset tutkijat käyttävät koneoppimistyökaluja. Nämä työkalut voivat nopeuttaa kemiallista simulointia keskittymällä vain muutamiin järjestelmän tärkeimmistä elektroneista, Nebgen lisäsi. Nebgen ja hänen tiiminsä pystyivät tekemään neuroverkoksi kutsutun koneoppimistyökalun avulla ennustava malli mahdollisista elektronitiloista ja niihin liittyvistä energioista molekyylin sisällä. Sieltä tiimi saattoi ennustaa tarkasti joitain simulaation mahdollisia tuloksia erilaisilla syötteillä. Bioteknologiayrityksille, jotka käyttävät miljoonia dollareita uusien lääkkeiden suunnitteluun ja testaamiseen, tämän kaltaiset ennustavat mallit voivat tarjota monia kustannustehokkaita etuja. Vaikka koneoppimisen käyttö lääketeollisuudessa ei ole uutta, sen yhdistäminen kvanttilaskentaan voi luoda seuraavan sukupolven teknologiaa, jota tarvitaan tulevaisuuden lääkkeiden lanseeraamiseen.
Kenna Hughes-Castleberry on Inside Quantum Technologyn ja JILAn Science Communicatorin (kumppanuus Colorado Boulderin yliopiston ja NISTin välillä) kirjoittaja. Hänen kirjoitustyylinsä sisältävät syväteknologiaa, metaversumia ja kvanttitekniikkaa.
