هوش مصنوعی متخصص شیمی شد

به گزارش خرید بک لینک به نقل از ایسنا، جست وجو برای یافتن داروهای پرفروش و مواد اعجاب انگیز کاری خیلی دشوار برای شیمیدانان است. برای ساخت ترکیبات امیدوارکننده خود، آنها باید در بین میلیونها واکنش شیمیایی شناخته شده جست وجو کنند و هر سال صدها هزار واکنش جدید نیز به این مجموعه افزوده می شود و سپس بررسی نمایند که آیا اصلا امکان سنتز آن ترکیب وجود دارد یا خیر.
به نقل از نیچر، حال محققان یک سامانه هوش مصنوعی ساخته اند که پروسه سنتز شیمیایی را به طرز قابل ملاحظه ای ساده تر و سریع تر می کند. این سامانه که موزائیک «MOSAIC» نام دارد و در مطالعه ای که ۱۹ ژانویه در نشریه نیچر انتشار یافته توصیف شده است، شرایطی را ارایه می کند که محققان توانسته اند با بهره گیری از آنها ۳۵ ترکیب با پتانسیل تبدیل شدن به محصولاتی مانند داروها، مواد شیمیایی کشاورزی یا محصولات آرایشی تولید کنند. بدون آنکه احتیاجی به جست وجوی بیشتر یا اصلاح شرایط داشته باشند.
تیموتی نیوهاوس، شیمیدان دانشگاه ییل در نیوهیون کانکتیکات و از نویسندگان این مطالعه، می گوید: سنتز مولکول های کوچک، مرحله کُند و زمان بر در کشف دارو و خیلی از حوزه های مهم دیگر است.
نیوهاوس می افزاید: موزائیک می تواند این گلوگاه را از میان بردارد و درنتیجه به تولید محصولات بیشتر و بهتر منجر شود. این سامانه می تواند دستورالعمل های کامل آزمایشگاهی با جزئیاتی کافی برای دنبال کردن توسط شیمیدانان تهیه نماید تا به ساخت مولکول هایی کمک نماید که پیشتر هیچ گاه وجود نداشته اند.

شیمی با کمک هوش مصنوعی

پیشبینی شرایط واکنش های شیمیایی یکی از محورهای اصلی استفاده از هوش مصنوعی در شیمی بوده است. یکی از ابزارهای شاخص در این عرصه، RXN for Chemistry شرکت IBM است که بر پایه یک مدل زبانی بزرگ (LLM) تولید شده است.
این سامانه از روشی به نام سیستم ورودی خطی ساده شده مولکولی به اختصار «SMILES» استفاده می نماید. این شیوه ساختار سه بعدی مولکول ها را به حروف، اعداد و علایم نگارشی تبدیل میکند که برای سیستمهایی که الگوهای زبانی را تشخیص می دهند، مناسب تر است. در مقابل، مدل هایی مانند ChemCrow برای انجام وظایف شیمیایی بر مبنای داده های زبان طبیعی آموزش دیده اند.
رویکرد اسمایلز (SMILES) پردازش اطلاعات شیمیایی مانند مواد اولیه و حلال ها را آسان تر می کند. نیوهاوس می گوید: هدف ما ساخت مدلی عمومی بود که بتواند شیمی را همان گونه که شیمیدانان می نویسند بخواند؛ با گوش دادن به زبان دستورالعمل های آزمایشگاهی و تبدیل سریع این صدای جمعی به یک پیشنهاد عملی. او می افزاید که ادغام دستورالعمل های مرحله به مرحله تولیدشده توسط موزائیک در سیستم های خودکار، «گام طبیعی بعدی» خواهد بود.

معماری «مدل های متخصص»

محققان از یک سامانه هوش مصنوعی که پیشتر توسعه داده بودند، استفاده کردند تا پایگاه داده ای شامل حدود یک میلیون واکنش استخراج شده را به ۲٬۲۸۵ زیرمجموعه دسته بندی کنند. سپس با بهره گیری از این زیرمجموعه ها، مدل زبانی Llama شرکت متا (که تا حدی متن باز است) را برای ساخت ۲٬۴۹۸ مدل «متخصص» جداگانه آموزش دادند. این رویکرد می تواند روی کامپیوتر های محلی اجرا شود، برای اینکه نسبت به مدلهای زبانی بزرگ عمومی، به پارامترهای خیلی کمتری نیاز دارد.
محققان از موزائیک خواستند شرایط ضروری جهت ساخت ۵۲ ماده جدید را پیشنهاد دهد. بعد از آزمایش این شیوه ها در آزمایشگاه، آنها توانستند ۳۵ مورد از این مواد را با موفقیت تولید کنند. موزائیک همین طور رنگ و شکل ترکیبات را به درستی پیشبینی کرده بود.
این سامانه حتی شرایطی برای روشهای واکنشی پیشنهاد کرد که در بین میلیونها واکنش مورد استفاده در آموزش مدلهای متخصص وجود نداشت. موزائیک روشی کاملا جدید برای ساخت نوعی مولکول به نام «آزایندول» پیشنهاد کرد که هنگام آزمایش، موفقیت آمیز بود.
گروه دانشگاه ییل در توسعه موزائیک با محققان شرکت داروسازی چندملیتی بوهرینگر اینگلهایم در کانکتیکات همکاری کرده اند؛ شرکتی که هم اینک از این سامانه استفاده می نماید. ویکتور باتیستا، شیمیدان نظری و محاسباتی در ییل و از نویسندگان این مقاله، می گوید: آنها به طراحی مسیرهای سنتزی جدید علاقمند هستند. اگر تعداد مراحل کم شود، صرفه جویی مالی زیادی حاصل می شود. او می افزاید کد موزائیک به شکل متن باز در اختیار سایر گروه ها قرار دارد.
این رویکرد پتانسیل خیلی گسترده تری دارد. فراتر از کاربرد عملی آن بعنوان یک ابزار قدرتمند هوش مصنوعی برای سنتز شیمیایی، موزائیک یک الگوی مقیاس پذیر برای استفاده از دانش جهانی شیمی از راه تخصص گرایی ماژولار ارائه می کند.