Kimya ve Bilgisayar Bilimi Güçlerini Birleştirdi
Gelişen teknolojinin getirdiği bir etki olarak, kimya alanında çalışma yapan araştırmacılar veri bilimi alanına daha çok yönelmeye başladı.
Princeton A.Barton Hepburn Kimya Profesörü Abigail Doyle, ekip arkadaşları ve Bilgisayar Bilimleri Profesörü Ryan Adams ile makine öğrenimi ile kimya alanındaki bilgilerin beraber kullanıldığı bir yazılım geliştirmek için bir iş birliği gerçekleştirildi.
Araştırmacıların geliştirdiği yazılım, Bayes optimizasyonunun temel ilkelerini kullanarak, daha hızlı ve verimli şekilde kimyasalların sentezlenmesini sağlar. Bayes Teoremi kökenli Bayes optimizasyonu, insanların ve bilgisayarların verecekleri yeni kararları en iyi hale getirebilmek için eski bilgilerin kullanılmasına izin verir.
Ekibin çalışma sonuçları Nature Dergisi’nde yayınlandı.
Doyle, “Reaksiyon optimizasyonu hem akademide hem de kimya endüstrisinde yani neredeyse hemen hemen her yerde bulunur. Kimya çok kapsamlı bir alan olduğu için, kimyagerlerin bir reaksiyon alanının tamamını deneysel olarak değerlendirmesi imkansızdır. Bayes optimizasyonunun çeşitli alanlardaki optimizasyon problemleri üzerindeki başarılarını inceledik ve sentetik kimya için bir araç olarak geliştirip kullanabileceğimizi düşündük.” dedi.
Doyle laboratuvarında eski doktora sonrası araştırmacı ve makalenin başyazarı olan Benjamin Shields, Python paketi oluşturdu.
Shields, “Sentetik kimya alanında çalışma geçmişine sahibim, sentetik alanında çalışan kimyagerlerin bu sorunları kendi başlarına çözmede oldukça başarılı olmalarını kesinlikle takdir ediyorum. Bu noktada Bayes optimizasyonunun gerçek gücünün ortaya çıktığı yer, daha büyük sorunları modellememize ve verilerde normalde göremeyebileceğimiz eğilimleri yakalamamıza ve böylece verileri çok daha iyi bir şekilde işleyebilmemize olanak sağlamasıdır.” dedi.
Nasıl Çalışır?
Makine öğrenimi ve istatistik programının yöneticisi olan Adams “Optimizasyon çoğu zaman pahalı ve uzun zaman alan bir süreç olabilir. Geliştirilen bu yaklaşım sadece süreci hızlandırmakla kalmıyor aynı zamanda bir insanın bulabileceğinden çok daha iyi çözümler sunuyor. Bence bu yaklaşım bu alanda Bayes optimizasyonu ile yapılabilecekler için sadece bir başlangıç.” dedi.
Program kullanılırken ilk olarak kullanıcılar, katalizör, reaktif, ligand, çözücü, sıcaklık ve konsantrasyon listesi gibi dikkate alınması gerekenlere bir alan tanımlar. Ardından, kullanıcı deney sayısını belirler, bundan sonrasında yazılım devreye girer ve ilk deney koşullarını belirler. Daha sonra reaksiyonu en iyi hale getirecek yeni deneyler, durumlar önerir.
Shields “Yazılımı geliştirirken, insanların reaksiyon hakkında bildiklerini de kullanabilmeleri için yollar eklemeye çalıştım. Bu yazılımı veya genel olarak makine öğrenimi kullanılarak geliştirilen bir yazılımı nasıl kullanırsanız kullanın, bir uzman yardımı her zaman değerli olacaktır.” diye ekledi.
Kaynakça: phys.org
