By Кенна Хьюз-Каслберрі опубліковано 07 жовт. 2022 р
Багато рівнянь у квантовій фізиці можуть бути корисними для дослідників, які вивчають хімічні взаємодії. Як і квантова фізика, і хімія працюючи на одних і тих самих атомних рівнях, вони часто використовуються в тандемі один з одним для досягнення нових результатів. Нещодавно дослідники з Національна лабораторія в Лос-Аламосі (LANL) зробив це з’єднання на крок далі, додавши навчання за допомогою машини процеси, щоб допомогти передбачити біохімічну взаємодію в молекулярному моделюванні. Це, у свою чергу, може допомогти прискорити кроки в розробці ліків та інші галузеві сценарії, зробивши ліки безпечнішими та швидшими в довгостроковій перспективі.
Використання машинного навчання для наборів даних
Процеси машинного навчання вже відбуваються прикладної до квантових обчислень і квантової фізики. Оскільки машинне навчання передбачає та створює шаблони з великих груп даних, це корисно для таких галузей, як квантова фізика чи хімія, у яких багато рухомих фрагментів. За словами дослідника LANL Бенджамін Небген: «До появи методів машинного навчання (ML) у галузях хімії та матеріалознавства найбільше практичне моделювання хімії та матеріальних систем обмежувалося кількома тисячами атомів. Це занадто мало, щоб точно вловити багато ефектів, які визначають хімічні властивості або властивості матеріалу, такі як шляхи зерен або рідкісні реактивні шляхи». Завдяки перевагам машинного навчання дослідники можуть вивчати складніші сценарії в симуляціях, у тому числі зосереджених на квантовій фізиці та хімії.
Для вчених, що проектують нов наркотиків або вивчаючи хімічні реакції, важливо повністю зрозуміти, що відбувається з електронами на квантовому рівні. «Рух електронів і атомних ядер контролює майже всі хімічні та матеріальні властивості, які визначають наше сучасне існування», — сказав Небген. «Це включає хімічний склад усього, починаючи від ліків, які ми приймаємо, побутових миючих засобів, якими ми користуємося щодня, і закінчуючи паливом у наших власних автомобілях і вантажівках. Крім того, властивості матеріалів, з яких виготовлені наші автомобілі, будинки, інструменти, літаки та майже все, з чим ми взаємодіємо день у день, контролюються тією ж основною фізикою». Це дозволяє дослідникам глибше досліджувати взаємодію молекули на фундаментальному рівні. Однак, як тільки цей рівень досягнуто, настає більш складна математика. «Сили, що діють на окремі атоми і входять до рівнянь Ньютона, походять від руху електронів, які за своєю природою є квантовими», — пояснив Небген. «Таким чином, електрони повинні розглядатися за допомогою рівняння Шредінгера, яке є набагато складнішою математичною проблемою для вирішення».
LANL використовує машинне навчання для створення моделей
Щоб подолати ці складні рівняння, такі дослідники, як Небген, використовують інструменти машинного навчання. Ці інструменти можуть прискорити хімічне моделювання, зосередившись лише на кількох найважливіших електронах у системі, додав Небген. Використовуючи інструмент машинного навчання під назвою нейронна мережа, Небген і його команда змогли створити a прогнозна модель можливих електронних станів і пов’язаних з ними енергій всередині молекули. Звідти команда могла з точністю передбачити деякі з можливих результатів моделювання за різних вхідних даних. Біотехнологічним компаніям, які витрачають мільйони доларів на розробку та тестування нових ліків, прогнозні моделі, подібні до цієї, можуть дати багато економічно ефективних переваг. Хоча використання машинного навчання в фармацевтичній промисловості не є новим, поєднання його з потужністю квантових обчислень може створити нове покоління технологій, необхідних для випуску майбутніх ліків.
Кенна Хьюз-Кастлберрі є штатним автором Inside Quantum Technology і науковим комунікатором JILA (партнерство між Університетом Колорадо в Боулдері та NIST). Її ритми написання включають глибинні технології, метавсесвіт і квантові технології.
