Kuantum Kimyasında Makine Öğrenimi
Fotoğraf: Modelin yapısı. Bir sinir ağı, yarı ampirik(deneysel) bir kuantum Hamiltonian’ı tahmin etmek için moleküler bir geometriyi işler, bu da daha sonra çeşitli kimyasal özellikleri tahmin etmek için kendi kendine tutarlı bir şekilde çözülür. (Kipton Barros, Los Alamos Ulusal Laboratuvarı)
Ulusal Bilimler Akademisi Bildiriler Kitabı’nda yayımlanan yeni bir çalışmada, Los Alamos Ulusal Laboratuvarı’ndan araştırmacılar, kuantum mekaniği matematiğinin daha fazlasını makine öğrenimi tahminlerinin yapısına dahil etmeyi önerdiler. Makine öğrenme modeli, bir molekül içindeki atomların belirli konumlarını kullanarak, çeşitli olası elektronik durumları ilişkili enerjileriyle birlikte tanımlayan etkili bir Hamilton matrisini tahmin eder.
Geleneksel kuantum kimyası simülasyonlarıyla karşılaştırıldığında, makine öğrenimi tabanlı yaklaşım, çok daha düşük bir hesaplama süresiyle tahminlerde bulunur. Malzeme özellikleri ile ilgili nicel olarak kesin tahminler sağlar, atomlar arasındaki kimyasal bağın doğası hakkında yorumlanabilir bir içgörü sağlar ve sistemin ışık-madde etkileşimleri gibi karışıklıklara nasıl tepki vereceği gibi diğer karmaşık fenomenleri tahmin etmek için kullanılabilir. Yöntem aynı zamanda geleneksel makine öğrenimi modellerine göre büyük ölçüde geliştirilmiş doğruluk sağlar ve aktarılabilirlikteki başarıyı, yani modelin çalışmasının temelini oluşturan verilerin çok ötesine geçen tahminlerde bulunma yeteneğini gösterir.
Kuantum mekaniğinin denklemleri, temel bilimsel teorilerden başlayarak kimyasalların özelliklerini tahmin etmek için bir yol haritası sağlar. Bununla birlikte, bu denklemler, büyük sistemlerdeki davranışı tahmin etmek için kullanıldığında, bilgisayar zamanı ve gücü açısından çok pahalı hale gelebilir. Makine öğrenimi, bu tür büyük ölçekli simülasyonları hızlandırmak için umut verici bir yaklaşım sunar. Kimyasal özellikleri tahmin etmek için makine öğreniminin kullanılması, daha temiz enerjiden daha hızlı farmasötik ilaç tasarımına kadar olan uygulamalarla büyük teknolojik ilerlemeler için potansiyel taşımaktadır. Bu oldukça aktif bir araştırma alanıdır, ancak mevcut yaklaşımların çoğu, makine öğrenimi modellerinin tasarımına basit ve sezgisel yaklaşımlar kullanır.
Araştırmacılar, çalışmalarında, makine öğrenme modellerinin doğanın temel yasalarının ana yapısını taklit edebileceğini göstermiştir. Bu yasaların doğrudan simüle edilmesi çok zor olabilir. Makine öğrenimi yaklaşımı, hesaplanması kolay ve çok çeşitli kimyasal sistemlerde doğru olan tahminler sağlar.
Geliştirilmiş makine öğrenimi modeli, moleküllerin çok çeşitli özelliklerini hızlı ve doğru bir şekilde tahmin edebilir. Bu yaklaşımlar, hesaplamalı kimyadaki önemli ölçütlerde çok iyi puan alır ve derin öğrenme yöntemlerinin deneylerden daha fazla veri ekleyerek nasıl gelişmeye devam edebileceğini gösterir. Model ayrıca, uyarılmış hâl dinamiklerini (sistemlerin yüksek enerji seviyeleriyle nasıl davrandıklarını) tahmin etmek gibi zorlu görevlerde de başarılı olabilir. Bu araç, kuantum kimyası için çığır açan bir güçtür. Araştırmacıların yeni moleküllerin reaktivitesini ve uyarılmış durumlarını daha iyi anlamalarını sağlayacaktır.
Kaynak: phys.org
