By Kenna Hughes-Castleberry lagt ut 07. oktober 2022
Mange ligninger innen kvantefysikk kan være nyttige for å veilede forskere som ser på kjemiske interaksjoner. Som både kvantefysikk og kjemi arbeider på samme atomnivå, brukes de ofte sammen med hverandre for å oppnå nye resultater. Nylig har forskere ved Los Alamos National Laboratory (LANL) tok denne sammenkoblingen ett skritt videre ved å legge til maskinlæring prosesser for å hjelpe til med å forutsi biokjemisk interaksjon i molekylære simuleringer. Dette kan igjen bidra til å fremskynde skritt i legemiddeldesign og andre industriscenarier, og gjøre legemidler tryggere og raskere på lang sikt.
Bruke maskinlæring for datasett
Maskinlæringsprosesser pågår allerede anvendt til kvanteberegning og kvantefysikk. Fordi maskinlæring forutsier og skaper mønstre fra store grupper med data, er det gunstig for felt som kvantefysikk eller kjemi, som har mange bevegelige deler. Ifølge LANL-forsker Benjamin Nebgen: «Før bruken av maskinlæringsmetoder (ML) innen kjemi og materialvitenskap, var den største praktiske simuleringen av kjemi og materialsystemer begrenset til noen få tusen atomer. Dette er altfor lite til å fange opp mange effekter som dikterer kjemiske eller materielle egenskaper som kornveier eller sjeldne reaktive veier nøyaktig." Takket være fordelene med maskinlæring kan forskere studere mer kompliserte scenarier i simuleringer, inkludert de som er fokusert på kvantefysikk og kjemi.
For forskere som designer nytt narkotika eller studere kjemiske reaksjoner, er det viktig å fullt ut forstå hva som skjer med elektronene på kvantenivå. "Bevegelsen av elektroner og atomkjerner kontrollerer nesten alle de kjemiske og materielle egenskapene som definerer vår moderne eksistens," sa Nebgen. "Dette inkluderer kjemien til alt fra stoffene vi tar, husholdningsrengjøringsmidlene vi bruker daglig, til drivstoffet i våre egne biler og lastebiler. Videre er egenskapene til materialene som utgjør våre biler, hus, verktøy, fly og nesten alt vi samhandler med daglig, kontrollert av den samme underliggende fysikken." Dette gjør det mulig for forskere å undersøke dypere inn i et molekyls interaksjoner på et grunnleggende nivå. Men når dette nivået er nådd, oppstår mer komplisert matematikk. "Krftene som virker på individuelle atomer som går inn i Newtons ligninger stammer fra bevegelsen til elektroner, som er iboende kvante i naturen," forklarte Nebgen. "Derfor må elektronene behandles med Schrodinger-ligningen, som er et mye mer utfordrende matematisk problem å løse."
LANL bruker maskinlæring for å lage modeller
For å overvinne disse vanskelige ligningene, bruker forskere som Nebgen maskinlæringsverktøy. Disse verktøyene kan akselerere en kjemisk simulering ved å fokusere på bare noen få av de viktigste elektronene i systemet, la Nebgen til. Ved å bruke et maskinlæringsverktøy kalt et nevralt nettverk, klarte Nebgen og teamet hans å lage en prediktiv modell av de mulige elektrontilstandene og deres tilknyttede energier i et molekyl. Derfra kunne teamet forutsi med nøyaktighet noen av de mulige resultatene av simuleringen gitt forskjellige input. For bioteknologiselskaper som bruker millioner av dollar på å designe og teste nye medisiner, kan prediktive modeller som denne gi mange kostnadseffektive fordeler. Selv om det ikke er nytt å bruke maskinlæring i legemiddelindustrien, kan det å kombinere det med kraften til kvanteberegning skape neste generasjon teknologi som trengs for å lansere fremtidige legemidler.
Kenna Hughes-Castleberry er stabsskribent ved Inside Quantum Technology og Science Communicator ved JILA (et partnerskap mellom University of Colorado Boulder og NIST). Skriverytmene hennes inkluderer dypteknologi, metaverset og kvanteteknologi.
