Organik kimyagerler kimyasal reaksiyonların ne kadar hızlı ilerlediğini ortaya çıkarmak için yapay zekadan yararlanıyor

Kimyacılar, arzu ettikleri ürünlerin verimini en üst düzeye çıkarmak için reaksiyonları rutin olarak optimize eder, ancak bu reaksiyonların neden işe yaradığını anlamak, reaksiyonları zaman içinde izleyen zahmetli deneyler gerektirebilir. Tokyo Üniversitesi’ndeki araştırmacılar, kimyagerler tarafından geliştirilen makine öğrenimi ve hız denklemlerini kullanarak, reaksiyon optimizasyonu sırasında elde edilen verim verilerinden reaksiyon hızları hakkındaki gizli bilgileri çıkarmak için bir yöntem geliştirdiler.

Çalışma dergide yayınlandı İleri Bilim.

Konsantrasyona bağlı verim analizi (CYAN), reaksiyon optimizasyon deneylerinden elde edilen verim verilerini genişletmek için makine öğrenimini kullanır, ardından bu bilgiyi bir reaksiyonun farklı adımlarının ne kadar hızlı gerçekleştiğini hesaplamak için kullanır. Bu, kimyagerlere karmaşık, yüksek verimli kimyasal reaksiyonları anlamak, geliştirmek ve tasarlamak için bir araç sağlar.

Optimizasyon ve kinetiğin bağlanması

İstenilen bir molekülü yapmak için kimyagerler, konsantrasyon, sıcaklık veya bileşenlerin eklenme süreleri gibi değişkenleri değiştirerek en iyi koşulları bulmak için deneyler yürütürler. Bu optimizasyon deneyleri, hangi koşulların en yüksek verime ulaştığını ortaya çıkarır ve bazen bir reaksiyonun neden işe yaradığına dair ipuçları sağlayabilir.

Ancak reaksiyon mekanizmalarını ayrıntılı olarak anlamak, geleneksel olarak reaksiyonun zaman içinde nasıl değiştiğini takip eden ayrı kinetik deneyler gerektirmiştir. CYAN, reaksiyon optimizasyonu sırasında oluşturulan verim verilerinden kinetik bilgileri çıkararak bu yaklaşımları birbirine bağlar.

Kimya Bölümü profesörü Hiroyuki Isobe, “Yıllardır kimyagerler bunları iki farklı hedef olarak ele aldılar. En yüksek verimi elde etmek için reaksiyonları optimize ediyoruz ve mekanizmayı anlamak istiyorsak, reaksiyonu zaman içinde takip eden başka bir dizi deney gerçekleştiriyoruz. CYAN ile amacımız bu iki aktiviteyi bir araya getirmekti” dedi.

“CYAN ile makine öğrenimi öncelikle deneylerimizden elde edilen verim verilerini artırıyor. Kimyacılar daha sonra bu verilerden hız sabitlerini çıkarmak için reaksiyon mekanizması hakkındaki hipotezlerine dayalı olarak hız denklemleri uyguluyor. Bu şekilde hem reaksiyon optimizasyonu hem de kinetik analiz için tek bir deney seti kullanılabilir.”

Makine öğrenimi deneysel boşlukları dolduruyor

Araştırmacılar, makine öğrenimini bir reaksiyonun nasıl çalıştığını düşündüklerine dair matematiksel açıklamalarla birleştirerek CYAN’ı geliştirdiler. Makine öğrenimi deneysel sonuçlar arasındaki boşlukları doldurarak farklı koşullar altında ürün miktarının nasıl değiştiğine dair daha eksiksiz bir resim oluşturur.

Araştırmacılar daha sonra bu bilgiyi, reaksiyonu zaman içinde tekrar tekrar ölçen ayrı deneylere ihtiyaç duymadan, reaksiyondaki farklı adımların hızını tahmin etmek için kullanırlar.

Isobe, “Bu projeye olan ilgimiz aslında hayal kırıklığıyla başladı. Daha önce daha iyi reaksiyon koşulları bulma konusunda çok iyi olan bir makine öğrenimi aracı geliştirmiştik, ancak bu bir kara kutu gibi davrandı ve bize nedenini söylemeden neyin işe yaradığını söyledi” dedi.

“Organik kimyagerler olarak kimyayı anlamak, verimliliği artırmak kadar önemlidir. CYAN, bu makine öğrenimi sonuçlarını yorumlama girişimimizden doğdu. Bunu, makine öğrenimi ile organik kimyagerler arasında, kimyasal hipotezlere ve deneysel verilere katkıda bulunduğumuz, makine öğrenimi ise zenginleştirilmiş verim verilerine katkıda bulunduğumuz iki yönlü bir işbirliği olarak görüyoruz.”

Nikel rakip yolu yavaşlatıyor

Yöntemi test etmek için ekip, büyük halka şeklindeki karbon moleküllerini oluşturmak için kullanılan nikel aracılı bir reaksiyon üzerinde çalıştı. CYAN, optimizasyon verilerinden kinetik bilgiyi başarıyla çıkararak kimyasal reaksiyon sürecinin beklenmedik bir özelliğini ortaya çıkardı.

Nikel, istenen moleküler halkanın oluşumunu hızlandırırken aynı zamanda aksi takdirde istenmeyen ürünler üretecek ikincil reaksiyonu da yavaşlattı. Bu kombinasyon, reaksiyonun farklı moleküllerin karışımı yerine tek bir hedef molekül oluşturmaya doğru yönlendirilmesine yardımcı oldu.

“Nikel sonucu bizi şaşırttı çünkü reaksiyonun bir kısmını yavaşlattı ve bu, sentezi daha iyi değil daha kötü hale getirecek gibi görünüyor. Suyun iki kanala ayrılan bir nehirden aktığını hayal etmenin yararlı bir yolu. Bir kanal daralırsa, daha fazla su doğal olarak diğer rotayı takip eder” dedi Isobe.

“Nikelin rakip bir yolu kısıtlayarak benzer bir etki yarattığına ve reaksiyonun çabasını istenen halka şeklindeki molekülü üretmeye yoğunlaştırmasına izin verdiğine inanıyoruz. ‘Şablon etkisi’ normalde reaksiyonu hızlandıran bir etki olarak düşünülür, ancak bu çalışmada bulunan etki mantığa aykırıydı: şablon bunun yerine reaksiyonun bir kısmını geciktirdi. Bu içgörü, diğer birçok metal şablonlu reaksiyonun tasarlanması için yararlı olabilir.”

Mevcut getiri verilerinden elde edilen bilgiler

Araştırmacılar, CYAN’ın geleneksel kinetik deneylerin yerine geçmeyi değil, tamamlamayı amaçladığını vurguluyor. Son derece hassas ölçümler gerektiğinde, zaman süreci analizi esastır. Bununla birlikte, CYAN, reaksiyon optimizasyonu sırasında elde edilen verim verilerinden kinetik ve mekanik bilgilerin çıkarılması için pratik bir yol sunarak, potansiyel olarak araştırmacıların hem yeni hem de daha önce yayınlanmış deneysel veri kümelerinden daha iyi yararlanırken yeni sentetik yöntemler tasarlamasına yardımcı olur.

Araştırmacılar ayrıca CYAN’ın tarihsel deneysel verilere uygulanabileceğini de buldu; bu da, altta yatan kimyasal kinetiği ortaya çıkarmak için yayınlanmış sayısız veri setinin yeniden incelenebileceğini öne sürdü. Bir durumda, araştırmacılar 176 yıl önce bildirilen kimya deneylerinden elde edilen verileri kullandılar ve modern bir değerle tutarlı bir hız sabiti elde ettiler.