Instrumentele de învățare automată au început să apropie cercetătorii de înțelegerea electronilor și a modului în care aceștia se comportă în cadrul interacțiunilor chimice. Compania de inteligență artificială cu sediul în Marea Britanie DeepMind, deținută de Alphabet, a creat un instrument care rezolvă o problemă fundamentală de modelare a reacțiilor chimice.
Instrumentul, denumit DeepMind 21, se bazează pe o metodă de modelare numită teoria funcțională a densității (DFT), care leagă locația electronilor dintr-un anumit grup de atomi de energia totală pe care o împărtășesc atomii pentru a determina proprietățile chimice și fizice ale unei molecule sau a unui material. „DFT este un instrument foarte utilizat pe scară largă și care este, de obicei, foarte eficient. Cu toate acestea, sistemul prezintă și unele erori, așa că este important să găsim și să înțelegem aceste anomalii”, a declarat Aron Cohen din cadrul firmei DeepMind.
Una dintre aceste erori este reprezentată de incapacitatea de a face față electronilor fracționați, o construcție teoretică în care sarcina unui electron este împărțită în mai multe particule. Instrumentele DFT tradiționale pot modela sisteme cu unul sau doi electroni, dar acestea nu le pot modela pe cele valori facționale (de exemplu 1,5 electroni), ceea ce este important în cazurile în care un electron este împărțit între mai mulți atomi.
„Pe de o parte, electronii fracționați sunt obiecte fictive. În lumea reală nu există electron fracționat. Electronii sunt întregi prin definiție. Totuși, prin rezolvarea problemelor legate de electronii fracționați, vom fi capabili să descriem corect sistemele chimice care au aceste erori fundamentale în descrierile lor”, a declarat James Kirkpatrick din cadrul DeepMind.
DeepMind 21 funcționează pe bază învățării automată, un proces prin care o inteligență artificială este alimentată cu un set de date de antrenament, care include atât problemele relevante, cât și soluțiile acestora. Prin examinarea setului de antrenament, sistemul IA învață să caute modele și să le aplice la seturi de date similare, dar incomplete.
Cercetătorii au antrenat sistemul folosind 2235 de exemple de reacții chimice, complete cu informații despre electronii implicați și energiile sistemelor. Dintre acestea, 1074 au reprezentat sisteme în care electronii fracționați ar reprezenta o problemă pentru analizele DFT tradiționale.
După aceea, tehnicienii au aplicat sistemul pe reacțiile chimice care nu au fost incluse în datele de antrenament. Nu numai că DeepMind 21 a reprezentat corect electronii fracționați, dar rezultatele sale au fost mai precise decât analizele DFT tradiționale. Instrumentul a funcționat chiar și pe date despre atomi cu proprietăți ciudate, care nu se asemănau cu nimic prezent în datele de antrenament. „Deși există și alte metode care pot crea aceste modele, ele necesită mult mai multă putere de calcul și timp. Acesta este un progres major în ceea ce privește utilizarea învățării automate pentru a înțelege chimia. Instrumentul propune o unificare a abordărilor teoretice standard, precum satisfacerea teoremelor exacte, cu învățarea automată bazată pe date, o unificare care poate fi mai puternică decât oricare dintre abordările luate în mod individual”, a declarat John Perdew din cadrul Universității Temple din Pennsylvania.
De asemenea, reprezentanții companiei DeepMind au anunțat faptul că acest cod va deveni open source, astfel încât chimiștii și cercetătorii de materiale din întreaga lume să îl poată aplica la o varietate de probleme. „Electronii fracționați sunt foarte relevanți în chimia organică, așa că instrumentul poate fi deosebit de util în acest domeniu”, a declarat Cohen.
