By Kenna Hughes-Castleberry postat 07 oktober 2022
Många ekvationer inom kvantfysik kan vara till hjälp för att vägleda forskare som tittar på kemiska interaktioner. Som både kvantfysik och kemi arbetar på samma atomnivå, används de ofta tillsammans med varandra för att uppnå nya resultat. Nyligen har forskare vid Los Alamos National Laboratory (LANL) tog denna parning ett steg längre genom att lägga till maskininlärning processer för att hjälpa till att förutsäga biokemisk interaktion i molekylära simuleringar. Detta kan i sin tur hjälpa till att påskynda stegen i läkemedelsdesign och andra industriscenarier, vilket gör läkemedel säkrare och snabbare på lång sikt.
Använda maskininlärning för datamängder
Maskininlärningsprocesser pågår redan tillämpas till kvantberäkning och kvantfysik. Eftersom maskininlärning förutsäger och skapar mönster från stora grupper av data, är det fördelaktigt för områden som kvantfysik eller kemi, som har många rörliga delar. Enligt LANL-forskare Benjamin Nebgen: "före tillkomsten av metoder för maskininlärning (ML) inom kemi och materialvetenskap, var den största praktiska simuleringen av kemi och materialsystem begränsad till några tusen atomer. Detta är alldeles för litet för att exakt fånga många effekter som dikterar kemiska eller materialegenskaper som kornvägar eller sällsynta reaktiva vägar." Tack vare fördelarna med maskininlärning kan forskare studera mer komplicerade scenarier i simuleringar, inklusive de som fokuserar på kvantfysik och kemi.
För forskare som designar nytt läkemedel eller studera kemiska reaktioner, är det viktigt att till fullo förstå vad som händer med elektronerna på kvantnivå. "Rörelsen av elektroner och atomkärnor styr nästan alla kemiska och materiella egenskaper som definierar vår moderna existens," sa Nebgen. "Detta inkluderar kemin i allt från drogerna vi tar, hushållsstädarna vi använder dagligen, till bränslena i våra egna bilar och lastbilar. Dessutom styrs egenskaperna hos material som utgör våra bilar, hus, verktyg, flygplan och nästan allt vi interagerar med dagligen av samma underliggande fysik.” Detta gör det möjligt för forskare att sondera djupare in i en molekyls interaktioner på en grundläggande nivå. Men när den här nivån nås, uppstår mer komplicerad matematik. "Krafterna som verkar på individuella atomer som går in i Newtons ekvationer härrör från elektronernas rörelse, som till sin natur är kvantmässigt till sin natur," förklarade Nebgen. "Därför måste elektronerna behandlas med Schrodinger-ekvationen, vilket är ett mycket mer utmanande matematiskt problem att lösa."
LANL använder maskininlärning för att skapa modeller
För att övervinna dessa svåra ekvationer använder forskare som Nebgen verktyg för maskininlärning. Dessa verktyg kan påskynda en kemisk simulering genom att fokusera på endast ett fåtal av de viktigaste elektronerna i systemet, tillade Nebgen. Med hjälp av ett maskininlärningsverktyg som kallas ett neuralt nätverk kunde Nebgen och hans team göra en prediktiv modell av de möjliga elektrontillstånden och deras associerade energier inom en molekyl. Därifrån kunde teamet med noggrannhet förutsäga några av de möjliga resultaten av simuleringen givet olika input. För bioteknikföretag som spenderar miljontals dollar för att designa och testa nya läkemedel, kan prediktiva modeller som denna ge många kostnadseffektiva fördelar. Även om det inte är nytt att använda maskininlärning i läkemedelsindustrin, kan kombinationen av det med kraften i kvantberäkning skapa nästa generations teknik som behövs för att lansera framtida läkemedel.
Kenna Hughes-Castleberry är personalskribent på Inside Quantum Technology och Science Communicator vid JILA (ett partnerskap mellan University of Colorado Boulder och NIST). Hennes skrivbeats inkluderar djupteknologi, metaversen och kvantteknologi.
