نوآوری در یادگیری ماشین برای توسعه کتابخانه شیمی – ScienceDaily


یادگیری ماشین به طور گسترده ای در علوم شیمی برای طراحی داروها و سایر فرایندها استفاده می شود.

مدل هایی که از نظر چشم انداز برای نتایج واکنش جدید آزمایش می شوند و برای بهبود درک انسان برای تفسیر تصمیمات واکنش شیمیایی گرفته شده توسط چنین مدل هایی استفاده می شوند ، بسیار محدود هستند.

مبتکران در دانشگاه پوردو طرح های واکنش شیمیایی را برای کمک به شیمیدانان در تفسیر نتایج واکنش با استفاده از مدل های یادگیری ماشین آماری پایدار آموخته اند که برای تعداد کمی واکنش آموزش داده اند. این اثر در نامه های ارگانیک.

گائوراو چوپرا ، استادیار شیمی تحلیلی و فیزیکی در دانشکده علوم پوردو گفت: “ایجاد پاسخ های جدید و سریع برای طراحی کتابخانه شیمیایی در کشف داروها ضروری است.” “ما یک واکنش جدید چند منظوره ، سریع و تک جزئی از N-sulfonilimines ایجاد کردیم ، که به عنوان یک مورد نماینده برای تولید داده های آموزش برای مدل های یادگیری ماشین ، پیش بینی نتایج واکنش و آزمایش واکنش های جدید در چشم انداز کور استفاده شد.

“ما انتظار داریم که این کار با ایجاد مدلهای یادگیری ماشین آلات دقیق و دوستانه برای تفسیر نتایج واکنشهایی که باعث افزایش خلاقیت و کارایی شیمی دانهای انسانی در کشف واکنشهای شیمیایی جدید می شود ، زمینه را برای تغییر در الگوی فعلی فراهم کند. برای بهبود خطوط لوله آلی و فن آوری برای شیمی. “

چوپرا گفت که رویکرد تیم پوردو در تفسیر یادگیری انسان ، که به عنوان نمودار واکنش شیمیایی معرفی شده است ، می تواند برای بررسی واکنش هر MCR یا واکنش شیمیایی گسترش یابد. این به روباتیک در مقیاس بزرگ احتیاج ندارد ، زیرا این روش ها را می توان توسط شیمی دانان هنگام آزمایش برای آزمایش در آزمایشگاه های خود استفاده کرد.

“ما اولین گزارش را در مورد چارچوبی ارائه می دهیم که ترکیبی از آزمایشات سریع با شیمی مصنوعی و محاسبات شیمی کوانتومی برای درک مکانیسم واکنش و مدلهای آماری پایدار قابل تفسیر توسط انسان برای یادگیری ماشین است تا مدلهای شیمیایی را برای پیش بینی و آزمایش تجربی واکنش ناهمگن N-sulfonals شناسایی کند. “گفت

این کار مطابق با سایر نوآوری ها و تحقیقات آزمایشگاه Chopra است که اعضای تیم آن برای ثبت اختراع تعدادی از فن آوری ها با دفتر بنیاد تحقیقات فناوری Purdue همکاری می کنند.

کروپال جتاوا ، دانشجوی فوق دکترا در آزمایشگاه Chopra که یکی از نویسندگان این اثر است ، گفت: “استفاده بی سابقه از یک مدل یادگیری ماشین در تولید نمودارهای بلوک واکنش شیمیایی به ما کمک کرده است تا واکنش واکنش های مختلف N-sulphonylimin ها را به طور سنتی در MCR درک کنیم.” “ما معتقدیم که دست در دست هم کار با شیمی دانهای آلی و محاسباتی راهی جدید برای حل مشکلات پیچیده واکنش شیمیایی برای سایر واکنش ها در آینده باز می کند.”

چوپرا گفت كه محققان پوردو امیدوارند كه كارهایشان زمینه ساز یكی از مثالهای زیادی باشد كه قدرت یادگیری ماشین را برای ایجاد یك روش جدید مصنوعی برای طراحی داروها و نه فقط در آینده نشان می دهد.

جاناتان فاین ، دانشجوی سابق پوردو که یکی از نویسندگان مقاله است ، گفت: “در این کار ، ما سعی کردیم اطمینان حاصل کنیم که مدل یادگیری ماشین ما توسط شیمی دانانی که با این زمینه آشنا نیستند به راحتی قابل درک باشد.” . “ما معتقدیم که این مدلها نه تنها توانایی پیش بینی واکنشها را دارند ، بلکه برای درک بهتر زمان واکنش نیز قابل استفاده هستند. برای نشان دادن این ، ما از مدل خود برای هدف قرار دادن لایه های اضافی استفاده می کنیم تا ببینید آیا واکنشی وجود دارد. “

منبع تاریخچه:

مواد تهیه شده توسط دانشگاه پوردو. اصلی ، نوشته شده توسط کریس آدام. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.


منبع: khabar-erfan.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*