By Kenna Hughes-Castleberry 07 Ekim 2022'de yayınlandı
Kuantum fiziğindeki pek çok denklem, kimyasal etkileşimleri inceleyen araştırmacılara rehberlik etmede yardımcı olabilir. Hem kuantum fiziği hem de kimya Aynı atomik seviyelerde çalıştıklarından, yeni sonuçlar elde etmek için sıklıkla birbirleriyle birlikte kullanılırlar. Son zamanlarda araştırmacılar, Los Alamos Ulusal Laboratuvarı (LANL) şunu ekleyerek bu eşleştirmeyi bir adım daha ileri götürdü: makine öğrenme Moleküler simülasyonlarda biyokimyasal etkileşimi tahmin etmeye yardımcı olacak süreçler. Bu da ilaç tasarımı ve diğer endüstri senaryolarındaki adımların hızlandırılmasına yardımcı olarak ilaçları uzun vadede daha güvenli ve daha hızlı hale getirebilir.
Veri Kümeleri için Makine Öğrenimini Kullanma
Zaten makine öğrenimi süreçleri yürütülüyor uygulamalı kuantum hesaplama ve kuantum fiziğine. Makine öğrenimi, büyük veri gruplarından modeller öngördüğü ve oluşturduğu için, çok sayıda hareketli parça içeren kuantum fiziği veya kimya gibi alanlar için faydalıdır. LANL araştırmacısına göre Benjamin Nebgen: “Kimya ve malzeme bilimi alanlarında makine öğrenimi (ML) yöntemlerinin ortaya çıkmasından önce, kimya ve malzeme sistemlerinin en büyük pratik simülasyonu birkaç bin atomla sınırlıydı. Bu, tane yolları veya nadir reaktif yollar gibi kimyasal veya malzeme özelliklerini belirleyen birçok etkiyi doğru bir şekilde yakalamak için çok küçük." Makine öğreniminin faydaları sayesinde araştırmacılar, kuantum fiziği ve kimyaya odaklananlar da dahil olmak üzere simülasyonlardaki daha karmaşık senaryoları inceleyebilirler.
Yeni tasarımlar yapan bilim insanları için ilaçlar veya kimyasal reaksiyonları incelerken, kuantum düzeyinde elektronlarda neler olduğunu tam olarak anlamak önemlidir. Nebgen, "Elektronların ve atom çekirdeğinin hareketi, modern varoluşumuzu tanımlayan neredeyse tüm kimyasal ve malzeme özelliklerini kontrol ediyor" dedi. “Bu, aldığımız ilaçlardan, günlük kullandığımız ev temizleyicilerine, kendi arabalarımız ve kamyonlarımızdaki yakıtlara kadar her şeyin kimyasını içeriyor. Dahası, arabalarımızı, evlerimizi, aletlerimizi, uçaklarımızı ve her gün etkileşimde bulunduğumuz neredeyse her şeyi oluşturan malzemelerin özellikleri, aynı temel fizik tarafından kontrol ediliyor." Bu, araştırmacıların bir molekülün etkileşimlerini temel düzeyde daha derinlemesine araştırmasına olanak tanır. Ancak bu seviyeye ulaşıldığında daha karmaşık matematik ortaya çıkar. Nebgen, "Newton'un denklemlerinde yer alan bireysel atomlara etki eden kuvvetler, doğası gereği kuantum olan elektronların hareketinden kaynaklanır" diye açıkladı. "Dolayısıyla elektronlar, çözülmesi çok daha zor bir matematik problemi olan Schrödinger denklemiyle ele alınmalıdır."
LANL, Model Oluşturmak İçin Makine Öğrenimini Kullanıyor
Bu zor denklemlerin üstesinden gelmek için Nebgen gibi araştırmacılar makine öğrenme araçlarını kullanıyor. Nebgen, bu araçların sistemdeki en önemli elektronlardan yalnızca birkaçına odaklanarak kimyasal simülasyonu hızlandırabileceğini ekledi. Nebgen ve ekibi, sinir ağı adı verilen bir makine öğrenimi aracı kullanarak tahmin modeli Bir molekül içindeki olası elektron durumları ve bunlarla ilişkili enerjiler. Buradan ekip, farklı girdiler verildiğinde simülasyonun olası sonuçlarından bazılarını doğru bir şekilde tahmin edebildi. Yeni ilaçları tasarlamak ve test etmek için milyonlarca dolar harcayan biyoteknoloji şirketleri için bunun gibi tahmine dayalı modeller, birçok uygun maliyetli fayda sağlayabilir. İlaç endüstrisinde makine öğreniminin kullanılması yeni olmasa da, bunu kuantum hesaplamanın gücüyle birleştirmek, gelecekteki ilaçları piyasaya sürmek için gereken yeni nesil teknolojiyi yaratabilir.
Kenna Hughes-Castleberry, Inside Quantum Technology'de ve JILA'da (Colorado Boulder Üniversitesi ile NIST arasındaki bir ortaklık) Bilim İletişimcisi'nde personel yazarıdır. Yazı ritimleri derin teknoloji, metaverse ve kuantum teknolojisini içerir.
