رقابت هوش مصنوعی DeepMind با یکی از با ارزش‌ترین تکنیک‌های شیمی
هوش مصنوعی شرکت DeepMind با الگوریتم یادگیری ماشینی خواص مواد را با استفاده از چگالی الکترون پیش‌بینی می‌کند.
پایگاه اطلاع رسانی ایران رصد، به نقل از نیچر تیمی به رهبری دانشمندان شرکت هوش مصنوعی DeepMind مستقر در لندن، یک مدل یادگیری ماشینی ایجاد کرده‌اند که ویژگی‌های یک مولکول را از طریق توزیع الکترون‌های آن پیش‌بینی می‌کند. این رویکرد می‌تواند خواص برخی مولکول‌ها را با دقت بیشتری نسبت به تکنیک‌های موجود محاسبه کند.
پیش‌بینی خواص
در اصل، ساختار مواد و مولکول‌ها به‌طور کامل توسط مکانیک کوانتومی و به‌طور خاص توسط معادله شرودینگر تعیین می‌شود. که بر رفتار توابع موج الکترون حاکم است. همه این موارد ابزارهای ریاضی برای توصیف احتمال یافتن یک الکترون خاص را در یک موقعیت خاص در فضا می‌باشند. جیمز کرک پاتریک، فیزیکدان DeepMind می‌گوید از آنجایی که همه الکترون‌ها با یکدیگر تعامل دارند، محاسبه ساختار یا اوربیتال‌های مولکولی از روی چنین اصول اولیه یک کابوس محاسباتی است و می‌تواند فقط برای ساده‌ترین مولکول‌ها مانند بنزن انجام شود.
محققان برای دور زدن این مشکل، مدت زیادی بر مجموعه‌ای از تکنیک‌ها به نام نظریه عملکردی چگالی (DFT) برای پیش‌بینی خواص فیزیکی مولکول‌ها تکیه کرده‌اند. این نظریه سعی نمی‌کند تک تک الکترون‌ها را مدل‌سازی کند، بلکه هدف آن محاسبه توزیع کلی بار الکتریکی منفی الکترون‌ها در سراسر مولکول است.
کرک پاتریک می‌گوید: «DFT به چگالی بار متوسط نگاه می‌کند، نه تک تک الکترون ها».
اما این رویکرد دارای محدودیت‌هایی است و گاهی نتایج اشتباهی را برای انواع خاصی از مولکول‌ها حتی کلرید سدیم، ارائه می‌کند. و اگرچه محاسبات DFT بسیار کارآمدتر از محاسباتی هستند که از تئوری کوانتومی پایه شروع می‌شوند. اما هنوز هم دست و پا گیر هستند و اغلب به ابررایانه‌ها نیاز دارند. بنابراین، در دهه گذشته، شیمیدان‌های نظری به طور فزاینده‌ای شروع به آزمایش با یادگیری ماشین کرده‌اند. به‌ویژه برای مطالعه خواصی مانند واکنش‌پذیری شیمیایی مواد یا توانایی آنها برای هدایت گرما.
هوش مصنوعی DeepMind چگونه طراحی شد؟
تیم DeepMind داده‌های ۱۱۶۱ راه حل دقیق به دست آمده از معادلات شرودینگر را وارد یک هوش مصنوعی کردند. این تیم برخی از قوانین شناخته شده فیزیک را نیز برای بهبود دقت برای شبکه تعریف کردند. این تیم سیستم آموزش دیده را روی مجموعه‌ای از مولکول‌ها که اغلب به عنوان معیاری برای DFT استفاده می‌شوند، آزمایش کردند. نتایج این اقدام بسیار چشمگیر بود.
به گفته فون لیلینفلد، یکی از مزیت‌های یادگیری ماشینی این است که اگرچه برای آموزش مدل‌ها به مقدار زیادی قدرت محاسباتی نیاز است،اما این فرآیند فقط یک بار انجام می شود. پس از آن پیش‌بینی‌های فردی را می‌توان روی یک لپ‌تاپ معمولی انجام داد.با این رویکرد هزینه ها و آسیب های زیست محیطی به طرز قابل توجهی کاهش پیدا می کند.
به گفته کرک پاتریک و کوهن DeepMind سیستم آموزش دیده خود را برای عموم منتشر خواهد کرد. به گفته محققان در حال حاضر، این مدل بیشتر برای مولکول‌ها و نه برای ساختارهای کریستالی مواد اعمال می‌شود، اما نسخه‌های بعدی می‌توانند برای مواد نیز کار کنند.