Fotoğraf : Kuantum algoritmik katman eklemek, makine öğrenimi programlarının, gösterildiği gibi organik moleküllerin enerjilerini daha doğru şekilde tahmin etmelerini sağlar.
Eklenen algoritmalar elektronik özelliklerin tahmininde hataları azaltabilir.
Hesaplamalı kimya, kimyagerlerin moleküllerin özelliklerini laboratuvarda ölçüm yapmadan tahmin etmelerini sağlar. En doğru hesaplamalı kimya araçlarından bazıları, kuantum kimyasını kullanır, ancak bu hesaplamalar biraz zaman alabilir.
Geçtiğimiz Mart ayında, Orlando’daki Amerikan Kimya Derneği ulusal toplantısında, Carnegie Mellon Üniversitesi’nden David J. Yaron, kuantum kimyasını makine öğrenimi ile birleştirerek moleküler özelliklerin hesaplanmasını hızlandırmanın bir yolunu açıkladı. Dipol, atom yükü ve bir molekülün diğer özelliklerini tahmin etmek için makine öğrenme algoritmasına kuantum kimyası “katmanı” ekleyen Yaron, hesaplama hatalarını standart makineye göre üçte iki oranında azaltabileceğini söyledi.
Yaron, kimyagerlerin organik molekülleri doğruluktan ödün vermeden daha hızlı bir şekilde modellemelerini istediklerini söyledi. Hesaplamaların gece boyu veya hafta sonu boyunca yapılması gerektiğinde – kuantum kimyası hesaplamaları için sık rastlanan bir durum – keşfi yavaşlatabildiğini vurguladı.
Makine öğrenme algoritmaları, binlerce hatta daha fazla molekülün özelliğini içeren veri tabanları tanımlandıktan sonra bilinmeyen bir molekülün özelliklerini tahmin edebilir. Kuantum kimyası da bu özellikleri tam olarak hesaplayabilir, ancak çok daha uzun sürer.
Bu eğitim setlerine kuantum bilgisi dahil edilebilir. Ancak, Yaron ve ekibinin oluşturduğu makine öğrenme algoritmalarını geliştirmeye yardımcı olan Florida Üniversitesi’nden Adrian Roitberg, ekibinin ve diğerlerinin genellikle tahmini algoritmalardan kuantum hesaplamaları yaptığını, çünkü gerçek hesaplamaların çok uzun süreceğini belirtti.
Yaron’un kuantum katmanı, moleküllerin elektronik orbitalleri arasındaki enerji boşlukları gibi, makine öğrenmesi tarafından tahmin edilen verileri kuantum kimyasal bilgisini yeniden oluşturmak ve onu tahminlerle geri dönüş yapmak için kullanır. Araştırmacılar, algoritmalarını en fazla yedi hidrojen atomu içeren 12.000’den fazla organik molekül üzerinde denemiş, daha sonra bu atomların sekiz hidrojen atomu içeren moleküllerinin özelliklerini tahmin ederek test etmişlerdir.
Modellerinin en iyi sürümü, kuantum katmanı ile güçlendirilmemiş makine öğrenme algoritmalarına göre % 67 hata azalması ve dipol momentleri ile % 59 hata azalması ile moleküler enerjileri tahmin edebildi. Ekip araştırmayı Ekim ayında yayınladı (J. Chem. Theory Comput. 2018, DOI: 10.1021 / ac.jctc.8b00873).
Ekip hedefini moleküllerin elektronik orbitallerini tahmin etmeye yöneltti. Yaron, ekibin organometalik etkileşimlerde d-yörünge davranışını tahmin etmeyi umduğunu söyledi.
Kaynak: acs.org
