By Kenny Hughes-Castleberry wysłano 07 października 2022 r
Wiele równań w fizyce kwantowej może być pomocnych w kierowaniu naukowcami, którzy przyglądają się interakcjom chemicznym. Zarówno fizyka kwantowa, jak i chemia działają na tych samych poziomach atomowych, są często używane w tandemie ze sobą, aby osiągnąć nowe wyniki. Ostatnio badacze z Los Alamos National Laboratory (LANL) posunął tę parę o krok dalej, dodając uczenie maszynowe procesów pomagających przewidywać interakcje biochemiczne w symulacjach molekularnych. To z kolei może pomóc przyspieszyć etapy projektowania leków i innych scenariuszy branżowych, czyniąc leki bezpieczniejszymi i szybszymi w perspektywie długoterminowej.
Używanie uczenia maszynowego do zestawów danych
Już są procesy uczenia maszynowego stosowany do obliczeń kwantowych i fizyki kwantowej. Ponieważ uczenie maszynowe przewiduje i tworzy wzorce na podstawie dużych grup danych, jest korzystne dla dziedzin takich jak fizyka kwantowa czy chemia, które mają wiele ruchomych elementów. Według badacza LANL Benjamina Nebgena: „przed pojawieniem się metod uczenia maszynowego (ML) w dziedzinie chemii i materiałoznawstwa, największa praktyczna symulacja chemii i systemów materiałowych była ograniczona do kilku tysięcy atomów. Jest to o wiele za mało, aby dokładnie uchwycić wiele efektów, które dyktują właściwości chemiczne lub materiałowe, takie jak szlaki ziarna lub rzadkie szlaki reaktywne”. Dzięki zaletom uczenia maszynowego naukowcy mogą badać bardziej skomplikowane scenariusze w symulacjach, w tym te skupione na fizyce kwantowej i chemii.
Dla naukowców projektujących nowe leki lub badając reakcje chemiczne, ważne jest, aby w pełni zrozumieć, co dzieje się z elektronami na poziomie kwantowym. „Ruch elektronów i jąder atomowych kontroluje prawie wszystkie właściwości chemiczne i materiałowe, które definiują naszą współczesną egzystencję” – powiedział Nebgen. „Obejmuje to chemię wszystkiego, od leków, które bierzemy, domowych środków czyszczących, których używamy codziennie, po paliwa w naszych własnych samochodach i ciężarówkach. Co więcej, właściwości materiałów, z których składają się nasze samochody, domy, narzędzia, samoloty i prawie wszystko, z czym na co dzień wchodzimy w interakcje, są kontrolowane przez tę samą podstawową fizykę. Umożliwia to naukowcom głębsze badanie interakcji cząsteczek na podstawowym poziomie. Jednak po osiągnięciu tego poziomu następuje bardziej skomplikowana matematyka. „Siły działające na poszczególne atomy, które wchodzą w skład równań Newtona, wynikają z ruchu elektronów, które z natury mają charakter kwantowy” — wyjaśnił Nebgen. „W związku z tym elektrony należy traktować za pomocą równania Schrodingera, które jest znacznie trudniejszym problemem matematycznym do rozwiązania”.
LANL wykorzystuje uczenie maszynowe do tworzenia modeli
Aby przezwyciężyć te trudne równania, naukowcy tacy jak Nebgen wykorzystują narzędzia uczenia maszynowego. Narzędzia te mogą przyspieszyć symulację chemiczną, skupiając się tylko na kilku najważniejszych elektronach w systemie, dodał Nebgen. Korzystając z narzędzia do uczenia maszynowego zwanego siecią neuronową, Nebgen i jego zespół byli w stanie stworzyć model predykcyjny możliwych stanów elektronowych i związanych z nimi energii w cząsteczce. Stamtąd zespół mógł dokładnie przewidzieć niektóre z możliwych wyników symulacji przy różnych danych wejściowych. Dla firm biotechnologicznych, które wydają miliony dolarów na projektowanie i testowanie nowych leków, modele predykcyjne, takie jak ten, mogą przynieść wiele opłacalnych korzyści. Chociaż wykorzystanie uczenia maszynowego w przemyśle farmaceutycznym nie jest niczym nowym, połączenie go z mocą obliczeń kwantowych może stworzyć technologię nowej generacji potrzebną do wprowadzenia przyszłych leków.
Kenna Hughes-Castleberry jest pisarzem personelu w Inside Quantum Technology i Science Communicator w JILA (partnerstwo między University of Colorado Boulder i NIST). Jej pisarskie bity obejmują deep tech, metaverse i technologię kwantową.
