Makine öğrenimi yöntemleri, sürücüsüz laboratuvarları geniş ölçekte malzeme keşfine yaklaştırıyor

Makine öğrenimi insan zekasının yerini almaz ancak insanın dayanıklılığından daha uzun süre dayanabilir, bu da onu kimya ve malzeme keşfi için yararlı bir araç haline getirir. Bilim adamları, makine öğrenimi modellerinin, üzerinde eğitim aldıkları çok sayıda veriye dayanarak tahminler yapabildiğini biliyorlar, ancak bunu bir adım daha ileri götürüp bu tahminleri test ederek büyük ölçüde ölçeklendirebilirler mi?

St. Louis’deki Washington Üniversitesi Sanat ve Bilim bölümünde kimya yardımcı doçenti Zhiling Zheng, “Yapay zekanın yeni yapıları tahmin etme açısından güçlü olduğunu zaten görüyoruz” dedi.

Dergi için yakın zamanda yazılan bir makalede BilimZheng, yapay zeka (AI) sistemlerinin bir sonraki adımı nasıl aşabileceğini öneriyor: Zheng, makalesinde “Bu platformun merkezinde yapay zekanın kimyayı bir kimyager gibi okuma yeteneği var” diye yazdı.

WashU McKelvey Mühendislik Okulu’ndan Christopher Cooper da aynı sayfada. Geçenlerde dergide bir makale yayınladı Konu Polimer sentezi için veri yığınlarının nasıl derleneceğini belgelemek.

“Veri iyileştirme” bu çalışmanın ilk büyük adımıdır. Cooper ve Zheng’in açıkladığı gibi verilerin toplanması ve makine öğrenimi modellerinin kolayca sindirebileceği bir forma dönüştürülmesi gerekiyor.

Makineler, bilinen kimya kurallarıyla tam bir diyetle beslendi. Tahminlerini bu şekilde yapıyorlar. Eksik olan şey, bu kuralların uygulanması ve bu moleküllerin yapımına ilişkin simülasyonların yürütülmesidir. Bu açıdan, modellerin kimyasal sentez “tariflerine” (yüzyıl boyunca dergilerde, ders kitaplarında ve dipnotlarda gömülü talimatlara) ihtiyacı vardır ve toplanması, tercüme edilmesi ve onlara “beslenmesi” gereken şey budur.

Enerji, çevre ve kimya mühendisliği yardımcı doçenti Cooper, “Bir modelin bu talimatları anlayabilmesini, bunları bir araya getirip ‘bunun başarılı olma olasılığı daha yüksek’ diyebilmesini istiyorsunuz” dedi.

Kendi kendini yönlendiren bir laboratuvar nasıl oluşturulur?

Zheng, düğümler olarak metal iyonları ve bağlayıcılar olarak organik bloklar ile inşa edilen metal-organik çerçeveleri (MOF’ler) inceleyen bir arka plandan geliyor. Bir MOF, her köşesinde metalik öğeler bulunan bir küp şeklindedir ve sonsuz tamir ve potansiyel kullanımlara uygundur. Sorun şu ki, ucu çok açık.

Zheng, “Çok fazla farklı olasılık var” dedi. MOF’ları tasarlamanın farklı yolları milyonlarca varyasyona sahip olabilir. Hiçbir insan, işe yarayıp yaramadığını görmek için bu deneyleri yapmaya zaman ayıramaz.

Zheng, otonom veya otonom bir laboratuvar fikrinin onlarca yıldır akademide yer aldığını belirtti. Ancak şimdi, büyük dil modelleri veya Yüksek Lisans’ların ortaya çıkmasından önce başka türlü imkansız olan yeni bir metodoloji öneriyor.

Araştırmacılar artık yapay zekayı bir yüksek lisans öğrencisini eğittikleri gibi eğitebilirler: Ona bir yığın talimat verin ve onun pratik yapmasına ve hatalardan ders almasına izin verin. Fikrini test etmek için Zheng ve ekibi, MOF’ların yaklaşık 4.000 bağlayıcı dönüşümünden oluşan literatüre dayalı bir veri seti üzerinde LLM’leri eğitti. Bunu inşa edilecek 4.000 farklı Lego seti olarak düşünün.

Bunu yapmak için, kimyasal kısıtlamalara dayalı olarak 4.000 dönüşümü daha fazla filtrelemek üzere bir yapay zeka ajanını eğittiler. Bu tasarım temsilcileri, hesaplamalı simülasyonlar kullanarak, son teknoloji ürünü alüminyum bazlı adsorbanlardan daha güçlü su toplama performansı sergileyen 10 yeni uygulanabilir malzeme buldu. Zheng, bu keşiflerin, yoğun emek gerektiren bir süreç olan olağan “kaba kuvvet” bağlayıcı taramasıyla değil, “literatür temelli topluluk bilgisinden öğrenilen, model önerileriyle yönlendirilen bu hedefli tasarım” yoluyla başarıldığını yazdı.

Cooper ve polimer tasarımını içeren benzer bir proje devam ediyor, ancak ilk adım bu topluluk bilgisini toplamaktır.

Kendi kendini çalıştıran bir laboratuvar nasıl beslenir?

Notları ve günlükleri yapay zekanın etkili bir şekilde “okuyabileceği” bir şeye çevirme işi başlı başına teknik bir zorluktur ancak Cooper’ın buna nasıl yaklaşılacağına dair bir planı vardır.

Kendi parçalarında KonuUlusal Standartlar ve Teknoloji Enstitüsü’nden Cooper ve ortak yazar Kathryn Miller, “bir malzeme bilimi kütüphanesinin küratörlüğünü yapmak için otomatikleştirilmiş bir yaklaşımı” nasıl oluşturduklarını paylaşıyorlar.

Gereken şey şu: Kısıtlamalar ve pratiklikler, hangi polimerlerin kullanıldığı, hangi dinamik bağların kullanıldığı, hangi özellikler ve uygulamaların tartışıldığı hakkındaki tüm verileri toplayın, bunları makinenin okuması için etiketleyin ve ardından makineden bunları oradan filtrelemeye devam etmesini isteyin. Testi çalıştırın, uygulamadaki kusurları bulun, kusurları düzeltin, testi tekrar çalıştırın ve tekrarlayın.

Cooper ve Miller, yaklaşımlarını dinamik polimerler için en uygun adayları bulmaya odakladılar; aksi halde seçenekler denizinde kaybolabilecek adaylar. Bu malzeme sınıfı, kendi kendini iyileştirme özellikleri, uyaranlara tepki verme yeteneği, 3 boyutlu yazdırılabilirlik, su altında yapışma özellikleri, parçalanabilirlik ve geri dönüştürülebilirlik sayesinde büyük bir uygulama potansiyeline sahiptir. Sonuç olarak, birkaç vaka çalışmasını başarıyla yürüttükleri Dinamik Polimer Açıklamalı Kütüphane (DPAL) ortaya çıktı.

Cooper ayrıca bu polimerleri makine öğrenimi uygulamaları için hesaplama açısından verimli bir şekilde temsil etmenin yeni yolları üzerinde çalışıyor.

Polimerlerin çok dağınık olduğunu, aynı şekilde MOF’larda da pek çok varyasyon olduğunu söyledi. Ortalama bir polimer örneğinde milyonlarca farklı molekül bulunabilir. Bu yığını tanımlamak için Cooper ve Miller, esasen makinenin tahmin edilen bir tasarımın potansiyel başarı olasılığını hızlı bir şekilde okuması ve anlaması için bir yol olan olasılık dağılımları setlerini kullandılar.

Cooper, “Bu olasılıkları kırmak bize bir sistemi fiziksel olarak temsil etmenin yollarını veriyor ve model tahminini ve doğruluğunu hızlandırabiliyor” dedi.

Günün sonunda tüm bu makine öğrenimi araçları, Cooper ve Zheng gibi insan bilim adamlarının verimliliğini büyük ölçüde artırıyor. Bilim insanları, deneme yanılma yoluyla uğraşmak yerine, makinenin sanal ortamında zahmetli süreçlerden geçmesine izin vererek, son kontrolleri ve noktaları birleştirme işini insana bırakabilir.

Zheng, “Laboratuvarda 10 saat çalışmak yerine yönetici olabilirsiniz” dedi.