Yazılım

Derin Öğrenme Teknikleri ile Retrosentetik Analiz

Araştırmacılar; retrosentetik sürecin her adımında "en iyi" reaksiyonu doğru seçmek için, bir sinir ağı modelini eğiten takviye öğrenmesine dayanan yeni bir teknik geliştirdi. AI'nin bu formu, araştırmacılara; kullanıcı tarafından belirlenen maliyet, güvenlik ve sürdürülebilirlik gibi hedefleri optimize eden, kimyasal sentezler tasarlama çerçevesi sağlar.

Biyokimyacılardan materyalist bilim insanlarına kadar araştırmacılar; uzun zamandır zorlayıcı sorunları çözmek için zengin organik molekül çeşitlerine güveniyorlar. Bazı moleküller; hastalıkların tedavisinde, bazıları; dijital ekranlarımızı aydınlatmak için ve bazıları da; pigmentler, boyalar ve plastikler için yararlı olabilir. Her molekülün kendine has özellikleri, yapısı tarafından, yani kurucu atomlarının bağlanabilirliği ile belirlenir. Umut verici bir yapı tanımlandıktan sonra, hedeflenen molekülü bir dizi kimyasal reaksiyon dizisi ile tekrar yapmak araştırmacılar için zor bir görev.

Organik kimyagerler; genellikle Retrosentetik Analiz adı verilen bir işlem kullanılarak, hedef molekülden başlangıç ​​maddelerine kadar geriye doğru çalışırlar. Bu işlem sırasında kimyager; bir dizi karmaşık ve ilişkili kararla karşı karşıya kalır. Örneğin, on binlerce farklı kimyasal reaksiyondan, hangisinin hedef molekülü oluşturmak için seçilmesi gerektiği gibi… Bu karar verildiğinde araştırmacılar kendilerini, reaksiyon için gerekli olan birden fazla reaktif molekülle bulabilir. Eğer bu moleküller satın alınamıyorsa, bunları üretmek için uygun reaksiyonları seçmek gerekir.

Columbia Engineering‘teki araştırmacılar; retrosentetik sürecin her adımında “en iyi” reaksiyonu doğru seçmek için, bir sinir ağı modelini eğiten takviye öğrenmesine dayanan yeni bir teknik geliştirdi. AI’nin bu formu, araştırmacılara; kullanıcı tarafından belirlenen maliyet, güvenlik ve sürdürülebilirlik gibi hedefleri optimize eden, kimyasal sentezler tasarlama çerçevesi sağlar. ACS Central Science tarafından 31 Mayıs’ta yayınlanan yeni yaklaşım; bu zorlu arama sorununu çözmek için mevcut stratejilerden daha başarılıdır. (% ~ 60)

Toronto Üniversitesi Kimya ve Bilgisayar Bilimleri Profesörü Alán Aspuru-Guzik: “Güçlendirici öğrenme, karmaşık video oyunları oynarken insanlardan çok daha iyi bilgisayar oyuncuları yarattı. Belki retrosentez de farklı değildir! Bu çalışma; retrosentez ile bize güçlendirme-öğrenme algoritmalarının ‘oyununda’ bir gün daha iyi olacağını gösteriyor.”

Ekip, retrosentetik planlama zorluğunu; satranç ve Go gibi bir oyun olarak belirledi. Buradaki birleşik; olası seçenek sayısı astronomik olana ve sentez planı tamamlanıp maliyeti değerlendirilene kadar her seçeneğin değeri belirsizdir. Retrosentetik planlamayı yönlendirmek için; sezgisel puanlama işlevlerini (basit kurallar) kullanan, daha önceki çalışmaların aksine; bu yeni çalışmada sinir modelinin kendi deneyimlerine dayanarak, yargılarda bulunmak için takviye öğrenme teknikleri kullanılmıştır.

Kimya Mühendisliği Profesörü Kyle Bishop: “Güçlendirme öğrenmesini (Reinforcement learning) retrosentetik analiz problemine uygulayan ilk ekibiz. Modelin strateji hakkında kesinlikle hiçbir şey bilmediği ve reaksiyonları rastgele uyguladığı zamandan başlayarak; model insan tanımlı bir sezgiselden daha iyi bir strateji bulana kadar pratik yapabilir.”

Bishop; çalışmasında, “iyi” sentetik bir yolun ne olduğunu ölçmek için reaksiyon adımlarının sayısını kullanmaya odaklandı. Ekip de böylece güçlendirme öğrenme modellerini; bu amaç göz önünde bulundurarak stratejisini uyarladılar. Taklit deneyimi kullanarak, ekip; molekül yapısının temsili temel alınarak, herhangi bir molekülün beklenen sentez maliyetini veya değerini tahmin etmek için modelin sinir ağını eğitti.

Ekip, gelecekte farklı hedefleri keşfetmeyi planlıyor. Örneğin, reaksiyon sayısı yerine maliyetleri en aza indirgemek veya toksik olabilecek moleküllerden kaçınmak için modeli eğitmek gibi… Araştırmacılar ayrıca; modelin stratejisini öğrenmesi için gerekli simülasyon sayısını azaltmaya çalışıyor, çünkü eğitim süreci oldukça pahalıydı.

Bishop: “Retrosentez oyunumuzun yakında kendi kendine öğretilen algoritmaların insan uzmanlarından daha iyi performans gösterdiği satranç ve Go yöntemini izleyeceğini umuyoruz. Satranç oynayan bilgisayar programlarında olduğu gibi; rekabet de en son teknolojideki gelişmelerin motorudur ve başkalarının daha da iyi performans göstermek için çalışmalarımızı geliştirebileceklerini umuyoruz.”

Kaynak:
ACS Central ScienceColumbia EngineeringPHYS
Etiketler
1 Oy2 Oy3 Oy4 Oy5 Oy (1 oy verildi, Ortalama: 5 üzerinden 5,00 oy )
Loading...

Benzer Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

İlgini Çekebilir

Close
Close