Makul bir hipotez bulmak, binlerce olasılık olduğunda bir zorluk yaratabilir. Bu yüzden Dr. Joseph Sang-II Kwon, genelleştirilebilir ve sistematik bir şekilde hipotezler yapmaya çalışıyor.
Teksas A&M Üniversitesi Artie McFerrin Kimya Mühendisliği Bölümü’nde doçent olan Kwon, dergideki hipotezleri doğru bir şekilde tahmin etmek için geleneksel fizik tabanlı bilimsel modelleri deneysel verilerle harmanlamak üzerine çalışmasını yayınladı. Doğa Kimya Mühendisliği.
Kwon’un araştırması geleneksel kimya mühendisliği alanının ötesine uzanıyor. Fiziksel yasaları makine öğrenimi ile birleştirerek çalışmaları, son makalesinde özetlenen yenilenebilir enerji, akıllı üretim ve sağlık hizmetlerini etkileyebilir ve “denkleme büyük veri eklemek”.
Deneysel gözlemler için hipotezlerin türetilmesi tipik olarak bir deneme yanılma sürecini içerir. Kwon, daha verimli bir süreç oluşturmak için özel bilgiyi deneysel verilerle bütünleştiren sistematik bir çerçeve geliştirmiştir.
Kwon, “Bu araştırmanın en etkili yönü, teorik modeller ve gerçek dünya karmaşıklığı arasındaki boşluğu kapatma yeteneğidir ve karmaşık sorunları çözmek için çok yönlü bir çerçeve oluşturur.” Dedi. Diyerek şöyle devam etti: “Bu çok yönlülük, potansiyel faydaların çok çeşitli endüstrilere ulaşabileceği ve günlük yaşamı önemli ölçüde etkileyebileceği anlamına geliyor.”
Kwon, bu araştırmanın deneysel verileri bu modellere dahil ederek yeni ilaç keşfine yol açabileceğini söyledi. Bu hibrit modelleme yaklaşımı, ilaç tahminlerini hızlandırmak için biyolojik bilgileri verilerle bütünleştirir.
Kwon, “Yeni ilaçlar geliştirmek pahalı ve zaman alıcıdır.” Dedi. “Ancak daha gelişmiş modellerle, keşif ve üretim süreçlerini hızlandırabiliriz. Simülasyonlardan yararlanmak ve makine öğrenimi maliyetli laboratuvar deneylerine olan ihtiyacı azaltır, zamandan tasarruf ve yeni tedavilerin keşfini hızlandırır.”
Yaklaşımı, fizik tabanlı modelleri, gerçek dünya deneysel verilerine dayalı olarak adapte edebilen ve düzeltebilen veri odaklı bileşenlerin esnekliği ile birleştiriyor.
Kwon, bu modelleri karmaşık sistemleri simüle etmek ve geleneksel fizik tabanlı modellerin tek başına yakalayamayacağı fiziksel fenomenleri yakalamak için bir omurga olarak kullanmayı planlıyor.
Kwon, “Bu metodoloji, veri odaklı bileşenin hiperparametrelerinin yanında süreç parametrelerini sürekli olarak tahmin etmemizi sağlıyor.” Dedi. Diyerek şöyle devam etti: “Bunu yaparak, modellerin daha geniş bir koşul yelpazesi için geçerli olmasını sağlayarak onları daha çok yönlü ve yeni ve çeşitli senaryoları ele almak için daha uygun hale getiriyoruz.”
Kwon, “Bu sistemlerin inceliklerini yakalama söz konusu olduğunda tamamen veri odaklı modeller yetersiz kalıyor.” Dedi. “İki yaklaşımı harmanlayarak, enerji, kimyasallar ve ilaçlar gibi günlük temelleri üretmek için kritik olan endüstriyel süreçlerin verimliliğini ve güvenilirliğini artırabiliriz.”
