Kimya için Makine Öğrenimi
Kimyasal veriler ve kuantum-kimyasal hesaplamalar üzerinde eğitilmiş makine öğrenimi modelleri, moleküler özellikleri, enerjileri ve reaksiyonları tahmin ederek geleneksel hesaplamalı kimyayı tamamlamakta ve hızlandırmaktadır.
Tanım
İstatistiksel öğrenme ve sinir ağı modellerinin kimyasal problemlere uygulanması olup, moleküler temsillerden özelliklere, enerjilere veya yeni yapılara eşlemelerin öğrenilmesini ifade etmektedir.
Kapsam
Kimyadaki veri odaklı modelleri kapsamaktadır: kuvvet alanı hızında kuantum-kimyasal enerjileri yaklaşık olarak hesaplayan makine öğrenimi tabanlı atomlararası potansiyeller, moleküller için grafik ve mesaj iletimli sinir ağları, moleküler tasarım için üretken modeller ve veri kalitesi, temsiliyet ile eğitim verilerinin ötesine genelleme zorlukları incelenmektedir.
Temel sorular
- Öğrenilmiş potansiyeller, maliyetin çok küçük bir kısmıyla kuantum doğruluğunu nasıl yeniden üretebilmektedir?
- Grafik sinir ağları, moleküler yapı üzerinde doğrudan nasıl çalışmaktadır?
- Üretken modeller, yeni moleküller önermek için nasıl kullanılmaktadır?
- Eğitim dağılımının ötesine genelleme nasıl değerlendirilmekte ve sağlanmaktadır?
Temel kuramlar
- Makine öğrenimi tabanlı atomlararası potansiyeller
- Kuantum-kimyasal referans verileri üzerinde eğitilmiş sinir ağı potansiyelleri, konfigürasyonlar boyunca enerjileri ve kuvvetleri yeniden üretmekte, böylece neredeyse klasik maliyetle kuantum doğruluğuna yakın simülasyonlara olanak tanımaktadır.
- Moleküler grafikler üzerinde mesaj iletimi
- Grafik sinir ağları, moleküler yapıdan doğrudan temsiller öğrenmek için bağlı atomlar arasında bilgi yaymakta, böylece el yapımı tanımlayıcılara ihtiyaç duymadan güçlü özellik tahmini sağlamaktadır.
Klinik önem
Makine öğrenimi, özellik ve enerji tahminini hızlandırarak, öğrenilmiş potansiyeller aracılığıyla simülasyonun erişimini genişleterek ve molekül ile malzemelerin üretken tasarımını mümkün kılarak hesaplamalı kimyayı yeniden şekillendirmektedir.
Tarihçe
Behler ve Parrinello tarafından 2007'de tanıtılan sinir ağı potansiyelleri ve 2010'ların ortalarından itibaren grafik sinir ağlarının yükselişi, büyük referans veri kümeleriyle birlikte, moleküler ve malzeme kimyası genelinde makine öğreniminin hızla büyümesini sağlamıştır.
Tartışmalar
- Genelleme ve veri gereksinimleri
- Öğrenilmiş modellerin eğitim verilerinin dışındaki kimyaya güvenilir bir şekilde genelleme yapıp yapmadığı ve güvenilir tahminler için ne kadar ve ne tür verilere ihtiyaç duyulduğu, merkezi açık sorular olarak kalmaktadır.
Öne çıkan isimler
- Jörg Behler
- Michele Parrinello
- Anatole von Lilienfeld
- Aspuru-Guzik
İlgili konular
Temel eserler
- behler2007
- gilmer2017
Sıkça sorulan sorular
- Makine öğrenimi, kuantum kimyasının yerini alacak mıdır?
- Tamamen değil; öğrenilmiş modeller eğitim için kuantum-kimyasal veya deneysel referans verilere bağımlıdır ve ilk prensip yöntemlerinin yerine geçmekten ziyade hızlandırıcılar ve tamamlayıcılar olarak görülmeleri daha uygun olmaktadır.
- Makine öğrenimi tabanlı atomlararası potansiyel nedir?
- Kuantum hesaplamalarından elde edilen enerjileri ve kuvvetleri yeniden üretmek üzere eğitilmiş bir modeldir; bu sayede kuantum yöntemlerine yaklaşan doğrulukta ancak büyük ölçüde azaltılmış maliyetle moleküler dinamiklere olanak tanımaktadır.