Yapay Zeka ve Robotik Kimyasal Araştırmaları Nasıl Değiştiriyor?
IBM (ABD’de olan, dünyanın en büyük bilişim teknolojisi şirketi) tarafından ortaya çıkan entegre kimyasal araştırma sistemi, yapay zeka, robotik ve bulutun ilaç keşiflerinin geleceğini nasıl değiştirebileceğine dair bir fikir sunuyor.
Dünya hala covid-19 salgınıyla mücadele ediyor ve tehlikeli yeni koronavirüs için bir aşı bulma yarışı henüz güvenilir sonuçlar vermedi. Araştırmacılar, virüsün dayattığı seyahat ve sosyal mesafe sınırlamalarına bağlıdır ve çoğunlukla hala uzun yıllar sürebilen manuel yöntemlere güveniyorlar. Bazı durumlarda, bu tür gecikmeler rahatsızlığa neden olabilirken, covid-19 durumunda, daha fazla can kaybı anlamına gelir.
IBM’in RoboRXN olarak adlandırılan yeni sistem, tüm süreci otomatikleştirmek ve bir araştırma laboratuvarında fiziksel varlık gerektirmeden kimyagerlere çalışmalarında yardımcı olmak için derin öğrenme algoritmalarını, IBM’in bulutunu ve robotik laboratuvarlarını kullanıyor.
Bunun veya diğer büyük teknoloji şirketlerinin önderlik ettiği diğer çabaların koronavirüs aşısının geliştirilmesine yardımcı olup olmayacağı henüz net değil. Ancak gelecek nesil ilaç ve kimyasal araştırma araçları için zemin hazırlamaya kesinlikle yardımcı olacaklar ve gelecekte daha hazırlıklı olmamızı sağlayacaklardır.
Kimyasal Sentez ve Retrosentez için AI Kullanma
IBM’in RoboRXN’i, yapay zekanın kimyasal araştırmalara uygulanmasında üç yıllık araştırma ve geliştirmenin sonucudur.2017 yılında şirket, ileri sentezde kimyasal reaksiyonları tahmin etmek için bir AI sistemi geliştirdi.
Kimyasal tepkimeler hakkında varsayımda bulunmak ve farklı kimyasal bileşenlerle deneyler yapmak, kimyasal araştırmanın en çok zaman alan kısımlarından biridir. Çok fazla deneyim gerektirir ve kimyagerler genellikle belirli alanlarda uzmanlaşmıştır, bu da yeni görevlerin üstesinden gelmelerini zorlaştırır.
IBM’in yapay zekası, kimyasal sentez için uyarlanmış bir nöral makine çeviri sistemidir. Yapay sinir ağları, son yıllarda doğal dil işlemede büyük ilerlemeler kaydetti. Sinir ağları insan dilinin bağlamını anlamasa da, sıralı verileri işlemedeki daha geniş yetenekleri, kimyasal araştırma dahil birçok alana hizmet edebilir.
Örneğin, tekrarlayan sinir ağları (RNN) ve transformatörler, ardışık haritalama gerçekleştirebilir. Bir RNN’yi bir dizi girdi dizisi ve bunlara karşılık gelen çıktı dizileri üzerinde eğitin ve girdileri çıktılarla eşleştiren istatistiksel korelasyonları bulacaktır (yine de kaliteli verilere ihtiyacınız vardır). Bu diziler, harfler, müzik notaları veya atomların ve moleküllerin karakter temsilleri dahil olmak üzere her türlü sembolü içerebilir. Verilerde tutarlılık olduğu ve öğrenilmesi gereken modeller olduğu sürece, sinir ağı girdileri çıktılarla eşlemenin bir yolunu bulabilir.
2 milyondan fazla kimyasal reaksiyondan oluşan bir veri kümesi üzerinde eğitilen sinir ağı, ilk olarak NIPS (Nöral Bilgi İşlem Sistemleri Konferansı ve Çalıştayı ) 2017 AI konferansında IBM Araştırma ekibi tarafından sunulan bir makalede tanıtıldı. Sonraki yıl IBM, yapay zekayı kimyasal araştırma için bulut tabanlı bir platform olan RXN for Chemistry olarak geliştirdi ve American Chemical Society’nin (Amerika Birleşik Devletleri merkezli bir bilimsel topluluk) yıllık fuarında sundu. Kimya için RXN, kimyagerlerin kimyasal reaksiyonların olası sonuçlarını tahmin etmesine, araştırma süresinden tasarruf etmesine ve deneyim kazanmak için geçen yılları azaltmasına yardımcı olur.
2019’da IBM Araştırma ekibi, retrosentezi desteklemek için RXN for Chemistry’nin arkasındaki yapay zekayı geliştirdi. Bu, kimyasal sentezin ters sürecidir. Bu durumda, ulaşmak istediğiniz moleküler yapı bilinir.Yapay zeka, istenen sonuca ulaşmak için gereken adım dizilerini ve kimyasal bileşenleri tahmin etmelidir.
IBM Research Zurich’in yöneticisi Teodoro Laino TechTalks’a verdiği demeçte, “Retrosentez planlama modeli modelleri, Pisa Üniversitesi’nden retrosentez uzmanları ile birlikte geliştirildi ve modellerimizi nasıl iyileştirebileceğimiz konusunda bize sürekli geri bildirimde bulundu,” dedi.
IBM RXN for Chemistry, etkileşimli bir modda retrosentetik yollar tasarlama olanağına da sahiptir.
Etkileşimli modda, kimyagerler her aşamada AI tarafından öneriler alır. Laino, “Kimyasal sentez, bir insan-yapay zeka etkileşim oyununa dönüşüyor” diyor.
AI Parçalarını Bir Araya Getirme
IBM Research Zurich’teki predoktoral araştırmacı Philippe Schwaller, TechTalks’a, RoboRXN’de kullanılan son AI sisteminin, her biri görevin bir bölümünü gerçekleştiren birkaç ardışık transformatör modelinden oluştuğunu söyledi.
Schwaller, “Bir hedef molekül verildiğinde, RoboRXN, sistem molekülleri bulana kadar bir retro reaksiyon tahmini ve bir yol puanlama modeli ile tahminler kullanarak onu çoklu tarif adımlarında parçalara ayırıyor” dedi. Daha sonra, işlemin her bir adımı için, reaksiyon denklemleri, başka bir sekans-2-sekans transformatör modeli kullanılarak, kimyasal reaksiyonu başarıyla yürütmek için robotun gerçekleştirmesi gereken tüm gerekli eylemlere dönüştürülür. Bu model, farklı eylemler (ör. Ekleme, karıştırma, filtre) için reaksiyon koşullarını (ör. Sıcaklık, süre) tahmin eder. ”
Ekip, yapay zekayı oluşturma sürecinde bulgularını çeşitli dergilerde yayınladı ve yapay zeka modellerini GitHub (yazılım geliştirme projeleri için web tabanlı bir depolama servisi) havuzunda kullanıma sundu. Temmuz ayında Nature’da yayınlanan son makaleleri, açık düzyazıda yazılan kimyasal deneyleri farklı adımlara çevirmek için transformatörlerin kullanımını araştırıyor. Bu, AI sistemini, farklı komutlar bekleyen robo-laboratuvarlarla entegre etmenin önemli bir noktasıdır.
Belirli bir hedef molekül için, RoboRXN yalnızca ticari olarak mevcut moleküllerden hedef moleküle yol açacak birden fazla kimyasal reaksiyondan oluşan bir reçete sağlamakla kalmıyor, aynı zamanda tarifin her adımı için bir robotun veya insan tepki adımını başarıyla yürütmek için performans göstermelidir ”diyor Laino.
Yemek pişirme ile bir benzetme yapmak için, sisteme pizza nasıl pişirileceğini sorarsanız, bir AI katmanı malzemeleri tahmin edecek ve bir ikincisi, malzemelerden son yemeğe gitmek için işlem sırasını tahmin edecektir.
Açıklanabilirlik Sorunlarını Çözme
Saf sinir ağına dayalı bir yaklaşımın bazı faydaları vardır. AI modelleri, verilerin kullanılabilirliğiyle iyi ölçeklenir. Ve sistem genel olarak derin öğrenmeye ve özel olarak transformatörlere giden tüm araştırmalardan yararlanacaktır.
Ancak derin öğrenme, yorumlanabilirlik zorluklarıyla birlikte gelir. Sinir ağları, eğitim topluluklarındaki farklı veri noktaları arasındaki korelasyonları bulmada ve bunlardan yararlanmada çok iyidir, ancak bu korelasyonların mutlaka nedensel değere sahip olmaması hatalı sonuçlar verebilir. Sistemi kullanan bilim adamları, AI sistemi tarafından kullanılan mantığı keşfedip düzeltebilmelidir.
Sistemin, hedef molekülü oluşturmanın adım adım bir prosedürünü sağlaması gerçeği, bir düzeyde açıklanabilirlik sağlar ve bilim adamlarının tüm süreci gözden geçirmesini kolaylaştırır. Ancak IBM araştırmacıları, tek tek adımların daha ayrıntılı açıklamalarını sağlamanın hala devam eden bir çalışma olduğunu kabul ettiler.
Schwaller TechTalks’a, ekibin tahminlerin yorumlanabilirliğini iyileştirmek, bunları adlandırılmış reaksiyonlara sınıflandırmak ve tahmin edilen reaksiyonları patentlerdeki benzer reaksiyonlara bağlamak için diğer iki transformatör tabanlı sinir ağı mimarisi olan BERT ve ALBERT’i araştırdığını söyledi. Araştırmacılar, bulgularını ChemRxiv (kimya için açık erişimli bir ön baskı arşivi) sunucusunda yayınlanan iki ayrı makalede yayınladılar.
Laino, “Son zamanlarda, dil modellerinin neden organik kimyayı ve kimyasal reaksiyonları bu kadar iyi öğrendiğini araştırdık ve insan etiketlemesi veya denetimi olmadan Transformer modelleri, atomların bir kimyasal reaksiyon sırasında nasıl yeniden düzenlendiğini yakaladığını keşfettik; bu sözde atom haritalama sinyalinden kimyasal reaksiyonların kurallarını ve gramerini çıkarabilir ve tahmin modellerimizi daha yorumlanabilir hale getirebiliriz.” diye ekliyor.
Ekip, RXN AI modelleri için bir görselleştirme aracı geliştirdi ve çevrimiçi olarak kullanıma sundu.
Fotoğraf 3 : IBM’in görselleştirme aracı, retrosentez yapay zekası tarafından alınan kararların araştırılmasına ve çıktı molekülü ile girdi bileşenleri arasındaki ilişkilerin bulunmasına yardımcı olur.
Robotik Laboratuvarı ile Entegrasyon
Çevrimiçi sunum sırasında, Laino ve ekibi RoboRXN ile varsayımsal bir deney yaptı. IBM Cloud uygulamasına bağlanan ve RoboRXN’ye bir hedef molekül sağlayan bir kullanıcıydı. AI sistemi talebi işleme koydu ve deney için önerici bir talimat seti sağladı. Kullanıcı ince ayar yaptıktan ve sonucu onayladıktan sonra, RoboRXN talimatları komutları robotik araştırma laboratuvarına iletti ve deney başlatıldı. Canlı bir kamera görüntüsü, robotik laboratuvar deneyleri yürütürken adımları takip etmemizi sağladı.
Fotoğraf 4 : IBM RoboRXN, robotik kimyasal araştırma laboratuvarının eylemlerini otomatik olarak koordine eder.
Projede kullanılan donanım halihazırda ticari olarak temin edilebilir ve bu, kuruluşların halihazırda sahip olduğu robotik laboratuvarlarla entegre edilmesini mümkün kılar.
Laino,”Kendi donanımımızı geliştirmek yerine, endüstri standardı donanımı kullanmaya ve robotu uzaktan programlama ve erişim sorununu çözmek için AI ve Bulut kullanmaya karar verdik .Proje donanımdan bağımsızdır. Farklı donanım türleri kolaylıkla arayüzlenebilir. “dedi.
Ekip ayrıca paralel deneyleri ölçeklendirmek ve yürütmek için RoboRXN’yi öngörüyor. Araştırma laboratuvarları, platformu birden çok laboratuvardaki işlemleri koordine etmek ve hipotez test etme ve sonuçları toplama sürecini hızlandırmak için kullanabilir.
Pandemi Sırasında ve Sonrasında Araştırma
Fotoğraf 5 : IBM Research Zurich
RoboRXN gibi otomatik araçlar, covid-19 kilitlenmesiyle kısıtlanan araştırma laboratuvarlarına ve bilim adamlarına destek sağlayabilir. “Pandemi, gelecekte benzer kesintileri önlemek için mevcut tüm dijital çözümleri nasıl entegre edeceğimiz konusunda her birimize zil çaldı. IBM’de makine öğrenimi araştırmacısı Matteo Manica, “laboratuvar kimyagerleri, bugün bile işe geri dönme konusunda ciddi sınırlamalarla karşı karşıya. Hesaplamalı bilim adamları, çevrimiçi olarak mevcut süper hesaplama kaynaklarına erişerek uzaktan çalışabilirler. Aynı şeyi bir kimya laboratuvarı düzeyinde sağlamaya karar verdik. Uzaktan erişilebilen, yapay zeka tarafından denetlenen ve robotik kimyasal donanım tarafından yürütülen bir kimyasal laboratuvar. “dedi.
Ancak faydalar yalnızca uzaktan erişim sağlamanın ötesine geçebilir ve insan bilim insanlarının bilişsel kapasitesini en çok ihtiyaç duyulan yere yönlendirmeye yardımcı olabilir.
“RoboRXN, kimyacılar için insanlar için robotik elektrikli süpürgelerin ne olduğu düşünülebilir. Her şeyi daha hızlı yapmak zorunda değiller, ancak işleri çok tekrarlanabilir bir şekilde yapıyorlar ve çalışmaları sırasında başka bir şey yapmaya odaklanabilirsiniz ”dedi Laino.
Otomatik laboratuvarların artan şekilde benimsenmesi, gelecekte yapay zeka modellerinin performansını iyileştirmeye yardımcı olabilecek daha fazla dijital veri üretecektir. Kuruluşlar, RoboRXN’yi çalıştırmak ve robotik laboratuvarlardan elde edilen sonuçları depolamak için IBM Cloud’u kullanabilir. Alternatif olarak, tüm sistemi şirket içinde kurabilirler. IBM’in şu anda RoboRXN’den elde ettiği verileri yapay zeka modellerinde ince ayar yapmak için kullanma planı yoktur. Ancak platformu kullanan araştırmacılar, kendi sonuçlarını diğer açık veri kümeleriyle bütünleştirebilir ve bunları IBM’in halka açık hale getirdiği derin öğrenme modellerini eğitmek için kullanabilir.
https://youtu.be/i2-LgHjgDTs
Kaynak :bdtechtalks.com
