Yapay Zeka Reaktiviteyi Tahmin Ederken Moleküler ve Elektronik Özellikleri Dikkate Alabilir
Güney Kore’deki bilim insanları, organik materyallerin kimyasal reaktivitesini tahmin edebilen bir makine öğrenim modeli geliştirdiler. Model, kararlılık ve uyumluluk için geniş bir kimyasal alan boyunca tarama yapabiliyor. Ekip, lityum-oksijen pillerde kararlı elektrolitleri seçmek için geliştirdikleri makine öğrenim modelini kullanarak geliştirdikleri modelin etkinliğini kanıtladı.
Genel olarak kimyasal reaktivite tahminleri, aktivasyon engellerinin doğrudan hesaplamalarını kullanan teorik yöntemlere veya bir malzemenin elektronik özelliklerine dayalı reaksiyon kinetik tahminlerine dayanır. Seul Ulusal Üniversitesi’nde projeyi yöneten Kisuk Kang, “Makine öğrenimi yöntemlerinden yararlanmaya karar verdik çünkü alışılagelmiş yöntemlerin elektronik özellikler ile büyük bir kimyasal alandaki reaktivite arasındaki ilişkiyi bulamadığını fark ettik.”dedi. Ayrıca aktivasyon enerjilerinin hesaplanmasına dayanan yöntemler yüksek hesaplama maliyetlerine sahiptir ve bu yüzden geniş veri yığınlarını taramak uygun değildir.
Kang ve meslektaşları Byungju Lee ve Jaekyun Yoo, elektronik özelliklerin yanı sıra moleküler yapıyı da göz önünde bulundurarak önceki çalışmaların üzerine katkıda bulundular. Çoklu veri girişi, önceki doğrusal regresyon modellerine kıyasla tahmin performansını iyileştirmelerine ve tahmin hatasını azaltmalarına olanak sağladı.
ABD, Columbia Üniversitesi’nden Alexander Urban, “Alışılagelmiş yöntemlerle reaktivite tahmini, elektronegatiflikler veya iyonizasyon enerjileri gibi reaksiyon mekanizmasıyla bağlantılı tanımlayıcıların varsayılmasıyla denenir. Böyle bir kimyasal sezgiye dayanması bu modeli güçlü kılan yanlardan biridir. Modele giren özellikler, moleküllerin hem elektronik hem de yapısal özelliklerini sistematik olarak kodlar.” dedi.
