रसायन विज्ञान के लिए मशीन लर्निंग
रासायनिक डेटा और क्वांटम-रासायनिक गणनाओं पर प्रशिक्षित मशीन लर्निंग मॉडल आणविक गुणों, ऊर्जाओं और प्रतिक्रियाओं की भविष्यवाणी करते हैं, जो पारंपरिक कम्प्यूटेशनल रसायन विज्ञान के पूरक और उसे गति प्रदान करते हैं।
Definition
रासायनिक समस्याओं के लिए सांख्यिकीय शिक्षण और न्यूरल-नेटवर्क मॉडल का अनुप्रयोग, आणविक प्रतिनिधित्व से गुणों, ऊर्जाओं या नई संरचनाओं तक मैपिंग सीखना।
Scope
रसायन विज्ञान में डेटा-संचालित मॉडल शामिल हैं: मशीन-लर्नड इंटरएटॉमिक पोटेंशियल जो फोर्स-फील्ड गति पर क्वांटम-रासायनिक ऊर्जाओं का अनुमान लगाते हैं, अणुओं के लिए ग्राफ और मैसेज-पासिंग न्यूरल नेटवर्क, आणविक डिजाइन के लिए जनरेटिव मॉडल, और डेटा गुणवत्ता, प्रतिनिधित्व और प्रशिक्षण डेटा से परे एक्सट्रपलेशन की चुनौतियाँ।
Core questions
- सीखे हुए पोटेंशियल लागत के एक अंश पर क्वांटम सटीकता को कैसे पुन: उत्पन्न कर सकते हैं?
- ग्राफ न्यूरल नेटवर्क सीधे आणविक संरचना पर कैसे काम करते हैं?
- उपन्यास अणुओं का प्रस्ताव करने के लिए जनरेटिव मॉडल का उपयोग कैसे किया जाता है?
- प्रशिक्षण वितरण से परे सामान्यीकरण का आकलन और सुनिश्चित कैसे किया जाता है?
Key theories
- मशीन-लर्नड इंटरएटॉमिक पोटेंशियल
- क्वांटम-रासायनिक संदर्भ डेटा पर प्रशिक्षित न्यूरल-नेटवर्क पोटेंशियल विन्यासों में ऊर्जा और बलों को पुन: उत्पन्न करते हैं, जिससे लगभग-शास्त्रीय लागत पर लगभग-क्वांटम सटीकता के साथ सिमुलेशन सक्षम होते हैं।
- आणविक ग्राफों पर मैसेज-पासिंग
- ग्राफ न्यूरल नेटवर्क आणविक संरचना से सीधे प्रतिनिधित्व सीखने के लिए बंधे हुए परमाणुओं के बीच जानकारी प्रसारित करते हैं, हस्तनिर्मित डिस्क्रिप्टर के बिना मजबूत गुण भविष्यवाणी प्राप्त करते हैं।
Clinical relevance
मशीन लर्निंग गुण और ऊर्जा भविष्यवाणी को तेज करके, सीखे हुए पोटेंशियल के माध्यम से सिमुलेशन की पहुंच का विस्तार करके, और अणुओं और सामग्रियों के जनरेटिव डिजाइन को सक्षम करके कम्प्यूटेशनल रसायन विज्ञान को नया आकार दे रही है।
History
2007 में बेहर और पैरिनेलो द्वारा प्रस्तुत न्यूरल-नेटवर्क पोटेंशियल और 2010 के दशक के मध्य से ग्राफ न्यूरल नेटवर्क का उदय, बड़े संदर्भ डेटासेट के साथ मिलकर, आणविक और सामग्री रसायन विज्ञान में मशीन लर्निंग के तेजी से विकास को बढ़ावा दिया।
Debates
- सामान्यीकरण और डेटा आवश्यकताएँ
- क्या सीखे हुए मॉडल अपने प्रशिक्षण डेटा के बाहर रसायन विज्ञान के लिए विश्वसनीय रूप से एक्सट्रपलेट करते हैं, और विश्वसनीय भविष्यवाणियों के लिए कितनी और किस प्रकार के डेटा की आवश्यकता होती है, यह केंद्रीय खुले प्रश्न बने हुए हैं।
Key figures
- Jörg Behler
- Michele Parrinello
- Anatole von Lilienfeld
- Aspuru-Guzik
Related topics
Seminal works
- behler2007
- gilmer2017
Frequently asked questions
- क्या मशीन लर्निंग क्वांटम रसायन विज्ञान की जगह ले लेगी?
- पूरी तरह से नहीं; सीखे हुए मॉडल प्रशिक्षण के लिए क्वांटम-रासायनिक या प्रायोगिक संदर्भ डेटा पर निर्भर करते हैं और इन्हें प्रथम-सिद्धांत विधियों के प्रतिस्थापन के बजाय त्वरक और पूरक के रूप में सबसे अच्छा देखा जाता है।
- मशीन-लर्नड इंटरएटॉमिक पोटेंशियल क्या है?
- यह क्वांटम गणनाओं से ऊर्जा और बलों को पुन: उत्पन्न करने के लिए प्रशिक्षित एक मॉडल है, जो क्वांटम विधियों के करीब सटीकता के साथ आणविक गतिशीलता की अनुमति देता है लेकिन बहुत कम लागत पर।