استفاده از هوش مصنوعی در شیمی کوانتومی

[azarafrooz 14,221]

[TABLE]

[TR]

[TD=bgcolor: #FFFFFF, colspan: 3]گروهی از محققان بین المللی نشان دادند كه همیشه نیاز نیست تقریب سازی شیمیایی کوانتومی از صفر آغاز شود؛ بلكه با داشتن تعداد زیادی از نتایج مشخص، یک هوش مصنوعی کوچک می تواند كار را تكمیل و پیش بینی مورد نظر را انجام دهد.

 

به گزارش سرویس فناوری ایسنا، برنامه این محققان می تواند با استفاده از یک بانک اطلاعاتی حاوی داده های شیمی کوانتومی مربوط به بیش از ۷۰۰۰ مولکول، انرژی های اتمی شدن مولکول های ناآشنا را با خطای کمتر از یك درصد محاسبه کند.

حل کامل «معادله شرودینگر» برای همه غیرممکن است، اما کوچک ترین و ساده ترین سامانه های شیمیایی و تقریب سازی های دقیق نیز زمان بر هستند.

«آناتول وون لیلینفیلد» از آزمایشگاه ملی «آرگون» در «ایلینویز» می گوید: در سال های اخیر ابزارهای پیچیده محاسباتی چنان فراگیر شده اند که می توان در عرض چند روز هزاران محاسبات «DFT) «density functional field theory) را به انجام رساند.

او و همکارانش بر این باورند که با داشتن این اطلاعات می توان با استفاده از الگوریتم هایی مشابه الگوریتم های مورد استفاده در سامانه پیشنهاد کتاب آمازون، ویژگی ها و رفتار تعداد بی شماری از مولکول ها را پیش بینی کرد.

 

 

آنها برای اثبات این مدعا، برنامه ای برای یافتن انرژی های اتمی شدن مولکول ها تولید کرده اند. این برنامه عناصر و پیکربندی مولکول ها را به شکل یک ماتریس با یک سطر و یک ستون برای هر اتم تعریف می کند. در محل تقاطع سطر مربوط به هر اتم با ستون مربوط به آن، عددی قرار می گیرد که نشان دهنده انرژی پتانسیل اتم جدا شده از مولکول است؛ محل تقاطع سطرها و ستون های مربوط به اتم های مختلف نیز نشان دهنده انرژی دافعه کولمبی میان بارهای هسته های آنهاست.

 

«آلبرت بارتوک پارتای» از دانشگاه کمبریج انگلیس می گوید: برای استفاده از هوش مصنوعی در شیمی کوانتومی باید پیکربندی اتمی به شکلی درآید که بتوان داده های مربوط به آن را وارد ماشین کرد. در این کار روش زیبایی برای این کار ارائه شده است.

 

 

گروه «وون لیلینفیلد» این الگوریتم را با استفاده از زیرمجموعه ای از مولکول های بانک اطلاعاتی آموزش داده و ماتریس های آنها را برای یافتن فاصله میان مولکول ها (معیاری از تفاوت میان مولکول ها از منظر ماتریس هایشان) با یکدیگر مقایسه کردند. هدف از انجام این کار محاسباتی سنگین، ایجاد یک «دورنما» و یا نقشه از فاصله میان مولکول ها بود. پس از تکمیل این دورنما هر مولکول ناشناخته ای را می توان با توجه به اتم ها و پیکربندی آن در نقطه ای از این نقشه قرار داد. در مورد یافتن انرژی اتمی شدن یک مولکول ناشناخته، فاصله میان مولکول ناشناخته و مولکول های شناخته شده دیگر، وزن و مشارکت انرژی اتمی شدن هر یک از این مولکول های شناخته شده در انرژی اتمی شدن مولکول مجهول را تعیین می کند.

 

 

این محققان دریافتند که با ایجاد دورنمایی با استفاده از بیش از ۵۰۰۰ مولکول، خطای پیش بینی انرژی اتمی شدن یک مولکول جدید کمتر از ۱۰ کیلوکالری بر مول است که به دقت حدود پنج کیلوکالری بر مول در DFT ترکیبی می رسد.

 

«وون لیلینفیلد» می گوید: محاسبه انرژی اتمی شدن یک مولکول با استفاده از DFT ترکیبی با بهره گیری از یک CPU منفرد حدود یک ساعت طول می کشد. با یاد گرفتن ماشین این زمان به چند میلی ثانیه می رسد.

 

 

جزئیات این کار در «arXiv» منتشر شده است.

 

[/TD]

[/TR]

[TR]

[/TR]

[/TABLE]