By เคนน่า ฮิวจส์-คาสเซิลเบอร์รี่ โพสต์เมื่อ 07 ต.ค. 2022
สมการต่างๆ ในฟิสิกส์ควอนตัมมีประโยชน์ในการชี้แนะนักวิจัยที่กำลังมองหาปฏิสัมพันธ์ทางเคมี เป็นทั้งฟิสิกส์ควอนตัมและ เคมี ทำงานในระดับอะตอมเดียวกัน มักใช้ควบคู่กันเพื่อให้ได้ผลลัพธ์ใหม่ ล่าสุดนักวิจัยจาก ลอสอาลามอสห้องปฏิบัติการแห่งชาติ (LANL) ยกระดับการจับคู่นี้ไปอีกขั้นด้วยการเพิ่ม เรียนรู้เครื่อง กระบวนการเพื่อช่วยทำนายปฏิกิริยาทางชีวเคมีในการจำลองระดับโมเลกุล สิ่งนี้สามารถช่วยเร่งขั้นตอนในการออกแบบยาและสถานการณ์ทางอุตสาหกรรมอื่นๆ ทำให้ยาปลอดภัยและรวดเร็วยิ่งขึ้นในระยะยาว
การใช้การเรียนรู้ของเครื่องสำหรับชุดข้อมูล
กระบวนการเรียนรู้ของเครื่องกำลังเกิดขึ้นแล้ว ประยุกต์ สู่คอมพิวเตอร์ควอนตัมและฟิสิกส์ควอนตัม เนื่องจากแมชชีนเลิร์นนิงทำนายและสร้างรูปแบบจากข้อมูลกลุ่มใหญ่ จึงเป็นประโยชน์สำหรับสาขาต่างๆ เช่น ฟิสิกส์ควอนตัมหรือเคมีซึ่งมีชิ้นส่วนที่เคลื่อนไหวจำนวนมาก ตามที่นักวิจัยของ LANL กล่าว เบนจามิน เนบเกน: “ก่อนที่จะมีวิธีการเรียนรู้ด้วยเครื่อง (ML) ในสาขาเคมีและวัสดุศาสตร์ การจำลองเชิงปฏิบัติที่ใหญ่ที่สุดของระบบเคมีและวัสดุถูกจำกัดไว้ที่เพียงไม่กี่พันอะตอม ซึ่งถือว่าน้อยเกินไปที่จะจับภาพผลกระทบหลายอย่างที่กำหนดคุณสมบัติทางเคมีหรือวัสดุ เช่น ทางเดินของเมล็ดพืชหรือทางเดินที่เกิดปฏิกิริยาซึ่งพบได้ยากได้อย่างแม่นยำ” ด้วยประโยชน์ของแมชชีนเลิร์นนิง นักวิจัยจึงสามารถศึกษาสถานการณ์จำลองที่ซับซ้อนมากขึ้นได้ รวมถึงสถานการณ์ที่เน้นฟิสิกส์ควอนตัมและเคมีด้วย
สำหรับนักวิทยาศาสตร์ที่ออกแบบใหม่ ยาเสพติด หรือศึกษาปฏิกิริยาเคมี สิ่งสำคัญคือต้องเข้าใจอย่างถ่องแท้ถึงสิ่งที่เกิดขึ้นกับอิเล็กตรอนในระดับควอนตัม “การเคลื่อนที่ของอิเล็กตรอนและนิวเคลียสของอะตอมควบคุมคุณสมบัติทางเคมีและวัสดุเกือบทั้งหมดที่กำหนดความเป็นอยู่สมัยใหม่ของเรา” Nebgen กล่าว “ซึ่งรวมถึงเคมีของทุกอย่างตั้งแต่ยาที่เราทาน น้ำยาทำความสะอาดในครัวเรือนที่เราใช้ทุกวัน ไปจนถึงเชื้อเพลิงในรถยนต์และรถบรรทุกของเราเอง นอกจากนี้ คุณสมบัติของวัสดุที่ประกอบขึ้นเป็นรถยนต์ บ้าน เครื่องมือ เครื่องบิน และเกือบทุกสิ่งที่เราโต้ตอบด้วยในแต่ละวันจะถูกควบคุมโดยฟิสิกส์พื้นฐานเดียวกัน” ช่วยให้นักวิจัยสามารถเจาะลึกลงไปถึงปฏิสัมพันธ์ของโมเลกุลในระดับพื้นฐานได้ อย่างไรก็ตาม เมื่อถึงระดับนี้แล้ว คณิตศาสตร์ที่ซับซ้อนก็จะตามมา “แรงที่กระทำต่ออะตอมแต่ละอะตอมซึ่งเข้าไปในสมการของนิวตันนั้นมาจากการเคลื่อนที่ของอิเล็กตรอน ซึ่งเป็นลักษณะควอนตัมโดยธรรมชาติ” Nebgen อธิบาย “ดังนั้น อิเล็กตรอนจึงต้องได้รับการบำบัดด้วยสมการชโรดิงเงอร์ ซึ่งเป็นปัญหาทางคณิตศาสตร์ที่ท้าทายยิ่งกว่ามากในการแก้ปัญหา”
LANL ใช้การเรียนรู้ของเครื่องเพื่อสร้างแบบจำลอง
เพื่อเอาชนะสมการที่ยากลำบากเหล่านี้ นักวิจัยเช่น Nebgen จึงใช้เครื่องมือการเรียนรู้ของเครื่อง เครื่องมือเหล่านี้สามารถเร่งการจำลองทางเคมีโดยมุ่งเน้นไปที่อิเล็กตรอนที่สำคัญที่สุดเพียงไม่กี่ตัวในระบบ Nebgen กล่าวเสริม การใช้เครื่องมือแมชชีนเลิร์นนิงที่เรียกว่าโครงข่ายประสาทเทียม Nebgen และทีมของเขาสามารถสร้าง โมเดลการคาดการณ์ ของสถานะที่เป็นไปได้ของอิเล็กตรอนและพลังงานที่เกี่ยวข้องภายในโมเลกุล จากนั้นทีมงานสามารถคาดการณ์ผลลัพธ์ที่เป็นไปได้ของการจำลองได้อย่างแม่นยำโดยได้รับข้อมูลที่แตกต่างกัน สำหรับบริษัทเทคโนโลยีชีวภาพที่ทุ่มเงินหลายล้านดอลลาร์เพื่อออกแบบและทดสอบยาใหม่ แบบจำลองการคาดการณ์เช่นนี้อาจให้ประโยชน์ด้านต้นทุนที่คุ้มค่ามากมาย แม้ว่าการใช้แมชชีนเลิร์นนิงในอุตสาหกรรมยาจะไม่ใช่เรื่องใหม่ แต่เมื่อรวมเข้ากับพลังของคอมพิวเตอร์ควอนตัมอาจสร้างเทคโนโลยีรุ่นต่อไปที่จำเป็นในการเปิดตัวยาในอนาคต
Kenna Hughes-Castleberry เป็นนักเขียนที่ Inside Quantum Technology และ Science Communicator ที่ JILA (ความร่วมมือระหว่าง University of Colorado Boulder และ NIST) จังหวะการเขียนของเธอมีทั้ง Deep Tech, Metaverse และเทคโนโลยีควอนตัม
