Yapay Sinir Ağları, Kuantum Mekaniği ile Moleküler Hareketin Belirlenmesinde Kullanılabilecek
Chapel Hill’de bulunan University of North Carolina bünyesinde bulunan Los Alamos National Laboratory ve University of Florida araştırmacılarının yürüttüğü yeni bir araştırmada ...
Boğaziçi Üniversitesi - Yazar / Editör
Chapel Hill’de bulunan University of North Carolina bünyesinde bulunan Los Alamos National Laboratory ve University of Florida araştırmacılarının yürüttüğü yeni bir araştırmada yapay nöron ağlarının kuantum mekaniksel kuralları kodlamada kullanabilmek üzere eğitilebileceğini gösterdi. Bu yolla geliştirilebilecek simülasyonların çok geniş bir yelpazedeki kullanım ve uygulama alanlarında kendisine yer bulabilecek.
Los Alamos’tan fizikçi Justin Smith’e göre bu, materyalleri ve hatta moleküler dinamikleri dahi modelleyebileceğimizi ve bunu aynı tutarlılıkla olacak şekilde milyarlarca kat daha hızlı gerçekleştirebileceğimizi belirtiyor. Moleküllerin nasıl hareket ettiklerini anlamak, ilaç geliştirmede, proteinlerin birbirleri ve çevreleri ile ilişkilerini öğrenmede, reaktif kimya bilgimizi geliştirmemizde çok değerli bilgiler sağlayacaktır. Bu yollarla hem kuantum mekaniği hem de ampirik, deneysel metodlar simülasyonların içine girebilecek.
ANI-1ccx adı verilen yeni teknik, gelecek metal alaşımı çalışmalarında ve detonasyon fiziği araştırmalarında kullanılacak öğrenebilir makine temelli yöntemlerin kesinliklerini artırmada çok büyük bir potansiyel vaadediyor.
Kuantum mekaniği algoritmaları klasik bilgisayarlarda tanımlandığında bir bileşiğin mekanik hareketlerini yüksek bir kesinlik ile tanımlayabiliyor. Çevresinde bulunan diğer moleküller ile etkileşime girdiği zaman bir molekülün davranışına bağlı olarak hareketinin de nasıl olacağını yazılımsal olarak tahmin edebilmek ve simülasyonlarda bunu canlandırabilmek, ilaç ve malzeme bilimi araştırmalarının da geleceğini oluşturacaktır.
Ancak kuantum mekaniği algoritmaları, değişen molekül boyutlarına göre ölçeklendirme konusunda şu an için çok verimli değil ve dolayısıyla muhtemel simülasyon sayısını da sınırlandırıyor. Öyle ki, molekül boyutundaki küçük bir artış dahi kompütasyonel (bilgi-işlemsel) anlamda büyük bir hesap yükü oluşturuyor.
Bu noktada da deneysel ve ampirik bir takım bilgi ve verilerin işleme dahil edilmesi gerekiyor. Bu sayede atomların ve bileşiklerin hareketi öncelikle temel klasik fizik ile bir noktaya kadar tahmin edilip, yine geri kalan iş algoritmaya bırakılabiliyor.
Tek bir molekül veya bileşik için iyi miktarda ayarlamalar yapılıp gerçeğe en yakın hareket ihtimalleri sisteme girildiğinde, etkileşime girebileceği diğer moleküller başta olmak üzere başka moleküllerin de hareketlerinin tanımlanmasındaki kesinlik ve moleküller arası parametre cinsinden bilgi transferi yeteneği artmış oluyor.
Öğrenebilir makine yaklaşımı da bu noktada işleri kolaylaştıran özgün bir teknik olarak olayadahil oluyor. Öğrenme transferi adı verilen metod ile ampirik anlamda potansiyel hareket ve davranış biçimleri sinir ağları üzerinde tanımlanarak milyonlarca molekül için toplanmış veriler aynı sistem içerisinde toplanıp kullanılabiliyor.
Bu yeni yaklaşımlar sayesinde milyonlarca molekül için olası hareket biçimleri ve yolakları milisaniyeler içinde hesaplanıp, sonuçları gözlemlenebiliyor.
Los Alamos’tan fizikçi Justin Smith’e göre bu, materyalleri ve hatta moleküler dinamikleri dahi modelleyebileceğimizi ve bunu aynı tutarlılıkla olacak şekilde milyarlarca kat daha hızlı gerçekleştirebileceğimizi belirtiyor. Moleküllerin nasıl hareket ettiklerini anlamak, ilaç geliştirmede, proteinlerin birbirleri ve çevreleri ile ilişkilerini öğrenmede, reaktif kimya bilgimizi geliştirmemizde çok değerli bilgiler sağlayacaktır. Bu yollarla hem kuantum mekaniği hem de ampirik, deneysel metodlar simülasyonların içine girebilecek.
ANI-1ccx adı verilen yeni teknik, gelecek metal alaşımı çalışmalarında ve detonasyon fiziği araştırmalarında kullanılacak öğrenebilir makine temelli yöntemlerin kesinliklerini artırmada çok büyük bir potansiyel vaadediyor.
Kuantum mekaniği algoritmaları klasik bilgisayarlarda tanımlandığında bir bileşiğin mekanik hareketlerini yüksek bir kesinlik ile tanımlayabiliyor. Çevresinde bulunan diğer moleküller ile etkileşime girdiği zaman bir molekülün davranışına bağlı olarak hareketinin de nasıl olacağını yazılımsal olarak tahmin edebilmek ve simülasyonlarda bunu canlandırabilmek, ilaç ve malzeme bilimi araştırmalarının da geleceğini oluşturacaktır.
Ancak kuantum mekaniği algoritmaları, değişen molekül boyutlarına göre ölçeklendirme konusunda şu an için çok verimli değil ve dolayısıyla muhtemel simülasyon sayısını da sınırlandırıyor. Öyle ki, molekül boyutundaki küçük bir artış dahi kompütasyonel (bilgi-işlemsel) anlamda büyük bir hesap yükü oluşturuyor.
Bu noktada da deneysel ve ampirik bir takım bilgi ve verilerin işleme dahil edilmesi gerekiyor. Bu sayede atomların ve bileşiklerin hareketi öncelikle temel klasik fizik ile bir noktaya kadar tahmin edilip, yine geri kalan iş algoritmaya bırakılabiliyor.
Tek bir molekül veya bileşik için iyi miktarda ayarlamalar yapılıp gerçeğe en yakın hareket ihtimalleri sisteme girildiğinde, etkileşime girebileceği diğer moleküller başta olmak üzere başka moleküllerin de hareketlerinin tanımlanmasındaki kesinlik ve moleküller arası parametre cinsinden bilgi transferi yeteneği artmış oluyor.
Öğrenebilir makine yaklaşımı da bu noktada işleri kolaylaştıran özgün bir teknik olarak olayadahil oluyor. Öğrenme transferi adı verilen metod ile ampirik anlamda potansiyel hareket ve davranış biçimleri sinir ağları üzerinde tanımlanarak milyonlarca molekül için toplanmış veriler aynı sistem içerisinde toplanıp kullanılabiliyor.
Bu yeni yaklaşımlar sayesinde milyonlarca molekül için olası hareket biçimleri ve yolakları milisaniyeler içinde hesaplanıp, sonuçları gözlemlenebiliyor.
Kaynak ve İleri Okuma
- Justin S. Smith, Benjamin T. Nebgen, Roman Zubatyuk, Nicholas Lubbers, Christian Devereux, Kipton Barros, Sergei Tretiak, Olexandr Isayev, Adrian E. Roitberg. Approaching coupled cluster accuracy with a general-purpose neural network potential through transfer learning. Nature Communications, 2019; 10 (1) https://www.nature.com/articles/s41467-019-10827-4
- Nancy Ambrosiano, Los Alamos National Laboratory Website, Researchers cast neural nets to simulate molecular motion, 2 Temmuz 2019, https://www.lanl.gov/discover/news-release-archive/2019/July/0702-molecular-motion.php
Etiket
Projelerimizde bize destek olmak ister misiniz?
Dilediğiniz miktarda aylık veya tek seferlik bağış yapabilirsiniz.
Destek Ol
Yorum Yap (0)
Bunlar da İlginizi Çekebilir
18 Eylül 2015
Mesleğinizi Robotlar mı Kapacak?
23 Haziran 2015
Tüm Robotlar İçin Ortak Bir Beyin
06 Ocak 2015
Video İzleyerek Yemek Yapmayı Öğrenen Robotlar
22 Haziran 2015
Yapay Zekanın Kısa Tarihçesi
28 Kasım 2015
Robotlar Her Emre Uymayacak
30 Aralık 2015
İnsan Gibi Öğrenen Makineler