By Kenna Hughes-Castleberry közzétéve: 07. október 2022
A kvantumfizikán belül számos egyenlet hasznos lehet a kémiai kölcsönhatásokat vizsgáló kutatók számára. Mivel mind a kvantumfizika, mind kémia ugyanazokon az atomi szinteken dolgoznak, gyakran egymással párhuzamosan használják őket új eredmények elérése érdekében. A közelmúltban a kutatók a Los Alamos Nemzeti Laboratórium (LANL) egy lépéssel tovább vitte ezt a párosítást a hozzáadással gépi tanulás folyamatok, amelyek elősegítik a biokémiai kölcsönhatás előrejelzését molekuláris szimulációkban. Ez viszont segíthet felgyorsítani a gyógyszertervezés lépéseit és más iparági forgatókönyveket, ami hosszú távon biztonságosabbá és gyorsabbá teheti a gyógyszereket.
A gépi tanulás használata adathalmazokhoz
A gépi tanulási folyamatok már folyamatban vannak alkalmazott a kvantumszámításhoz és a kvantumfizikához. Mivel a gépi tanulás nagy adatcsoportokat jósol meg és hoz létre mintákat, előnyös olyan területeken, mint a kvantumfizika vagy a kémia, ahol sok mozgó darab van. A LANL kutatója szerint Benjamin Nebgen: „A gépi tanulási (ML) módszerek megjelenése előtt a kémia és az anyagtudomány területén a kémia és az anyagrendszerek legnagyobb gyakorlati szimulációja néhány ezer atomos volt. Ez túl kicsi ahhoz, hogy pontosan megragadjon sok olyan hatást, amelyek meghatározzák a kémiai vagy anyagi tulajdonságokat, például a szemcseutakat vagy a ritka reaktív utakat. A gépi tanulás előnyeinek köszönhetően a kutatók bonyolultabb forgatókönyveket is tanulmányozhatnak szimulációkban, beleértve azokat is, amelyek a kvantumfizikára és a kémiára összpontosítanak.
Újat tervező tudósoknak szerek vagy a kémiai reakciók tanulmányozása során fontos, hogy teljesen megértsük, mi történik az elektronokkal kvantumszinten. "Az elektronok és az atommagok mozgása szabályozza szinte az összes kémiai és anyagi tulajdonságot, amely meghatározza modern létünket" - mondta Nebgen. „Ebbe beletartozik mindennek a kémiája az általunk szedett gyógyszerektől, a naponta használt háztartási tisztítószereken át a saját autóink és teherautóink üzemanyagaiig. Ezenkívül az autóinkat, házainkat, szerszámainkat, repülőgépeinket és szinte mindent, amivel nap mint nap kölcsönhatásba lépünk, az anyagok tulajdonságait ugyanaz a mögöttes fizika szabályozza. Ez lehetővé teszi a kutatók számára, hogy mélyebben megvizsgálják a molekulák kölcsönhatásait alapvető szinten. Ha azonban ezt a szintet elérjük, bonyolultabb matematika következik. „Az egyes atomokra ható erők, amelyek a Newton-egyenletekben szerepelnek, az elektronok mozgásából származnak, amelyek természetüknél fogva kvantum jellegűek” – magyarázta Nebgen. "Így az elektronokat a Schrodinger-egyenlettel kell kezelni, ami sokkal nagyobb kihívást jelentő matematikai probléma megoldása."
A LANL gépi tanulást használ modellek létrehozásához
A nehéz egyenletek leküzdésére a Nebgenhez hasonló kutatók gépi tanulási eszközöket használnak. Ezek az eszközök felgyorsíthatják a kémiai szimulációt azáltal, hogy a rendszerben csak néhány legfontosabb elektronra összpontosítanak – tette hozzá Nebgen. Egy neurális hálózatnak nevezett gépi tanulási eszköz segítségével Nebgen és csapata képes volt a prediktív modell a lehetséges elektronállapotok és a hozzájuk kapcsolódó energiák egy molekulán belül. Innentől kezdve a csapat pontosan meg tudta jósolni a szimuláció néhány lehetséges kimenetelét különböző bemenetek mellett. A biotechnológiai cégek számára, akik dollármilliókat költenek új gyógyszerek tervezésére és tesztelésére, az ehhez hasonló prediktív modellek számos költséghatékony előnnyel járhatnak. Noha a gépi tanulás alkalmazása a gyógyszeriparban nem új keletű, a kvantumszámítási képességekkel kombinálva létrejöhet a jövő gyógyszereinek piacra dobásához szükséges technológia következő generációja.
Kenna Hughes-Castleberry az Inside Quantum Technology és a Science Communicator munkatársa a JILA-nál (a Colorado Boulder Egyetem és a NIST partnersége). Írási ütemei közé tartozik a mélytechnológia, a metaverzum és a kvantumtechnológia.
