Makine Öğrenimi ile Elektronik Özellikleri Daha Düşük Maliyetle Hesaplamak

Makine Öğrenimi ile Elektronik Özellikleri Daha Düşük Maliyetle Hesaplamak

Fotoğraf : Sigma moleküler orbitalleri (mavi ve tan) su (solda), amonyak (ortada) ve bir su kümesinde (sağda) benzer görünür. Yeni makine öğrenme algoritması, birçok farklı molekülde özelliklerin tahmininde bulunmak için kullanılabilir.

Kimyacılar, atomların veya moleküllerin yapısal ve elektronik özelliklerini modellemek istediklerinde, genellikle yoğunluk fonksiyonel teorisi (DFT) olarak adlandırılan bir hesaplama tekniğini kullanırlar. Genellikle, DFT çok fazla hesaplamaya ihtiyaç duymadan doğru sonuçlar üretebilir. DFT başarısız olduğunda, kimyacılar birleşmiş küme (CC) veya Møller-Plesset perturbation (MP2) teorileri gibi yaklaşımları kullanır. Bunlar DFT’den daha güvenilir değerler üretir, ancak bu yöntemler uygulanırken küçük moleküller için bile DFT’den binlerce kat daha fazla hesaplama gücüne ihtiyaç duyulur.

Araştırmacılar kimyacıların bir molekülün nasıl davrandığını modellemesine yardımcı, elektronlar arasındaki etkileşimin bir ölçüsü olan elektronik yapı korelasyon enerjilerini tahmin etmek istediler. Makine öğrenmesi yönteminde bu değerler bilinen bir dizi verilere dayanan tahminler sonucu bulunur. Miller ve ekibi oluşturdukları algoritmaları yalnızca bir dizi küçük molekülün orbitalleri üzerinde oluşturdu. Miller, yeni algoritmanın birçok farklı molekül için özellikleri öngörebileceğini söyledi.

Bir örnekte, araştırmacılar algoritmalarını suyun moleküler orbitallerinde deneyimlemiş ardından amonyak, metan ve hidrojen florürün korelasyon enerjisini tahmin etmişlerdir. Algoritma korelasyon enerjilerini CC metoduna göre çok daha hızlı bir şekilde hesaplamıştır. Örneğin, altı su molekülünün bir kümesinin hesaplanması, CC  kullanılarak 28 saat sürerken makine öğrenmesiyle sadece iki dakikada hesaplanmıştır.

Ekip, algoritmanın yetersiz kaldığı örnekler de buldu.

Miller, bu tekniğin farklı molekül dizilerinin farklı  özelliklerini tahmin etmek için de kullanılabileceğini söylüyor. Bu tekniğin, diğer makine öğrenme yöntemleri ve elektronik yapı tekniklerini tamamlayacağını düşünüyor.

Kaliforniya Üniversitesi’nden hesaplamalı kimyager Kieron Burke “Mükemmel bir fikir olduğunu düşünüyorum ve umut verici görünüyor, ancak genel amaçlı bir araç  haline getirmek göründüğünden daha zor olabilir” diyor.

Kaynak: cen.acs.org

Okumanızı Öneriyoruz

Kentsel Hava Kirliliği COVID-19’u Daha Ölümcül Yapabilir

Yeni araştırma, hava kirliliğinin Amerika Birleşik Devletleri’ndeki Koronavirüs salgınına ölümcül bir etkisi olabileceğini açığa çıkarıyor. …