نوآوری در یادگیری ماشین برای توسعه کتابخانه شیمی – ScienceDaily


یادگیری ماشین به طور گسترده ای در علوم شیمی برای طراحی داروها و سایر فرایندها استفاده می شود.

مدل هایی که برای نتایج جدید برای واکنش های جدید آزمایش می شوند و برای بهبود درک انسان برای تفسیر تصمیمات واکنش شیمیایی گرفته شده توسط چنین مدل هایی مورد استفاده قرار می گیرند ، بسیار محدود هستند.

مبتکران در دانشگاه پوردو طرح های واکنش شیمیایی را برای کمک به شیمیدانان در تفسیر نتایج واکنش با استفاده از مدل های یادگیری ماشین آماری پایدار آموخته اند که برای تعداد کمی واکنش آموزش داده اند. این اثر در نامه های ارگانیک.

گوراو چوپرا ، استادیار شیمی تجزیه و فیزیک در دانشکده علوم پردو گفت: “ایجاد واکنش های جدید و سریع برای طراحی کتابخانه شیمیایی در کشف دارو ضروری است.” “ما یک واکنش جدید چند منظوره ، سریع و تک جزئی از N-sulfonilimines ایجاد کردیم ، که به عنوان یک مورد نماینده برای تولید داده های آموزش برای مدل های یادگیری ماشین ، پیش بینی نتایج واکنش و آزمایش واکنش های جدید در چشم انداز کور استفاده شد.

“ما انتظار داریم که این کار با ایجاد مدلهای یادگیری ماشین آلات دقیق و دوستانه برای تفسیر نتایج واکنشهایی که باعث افزایش خلاقیت و کارایی شیمی دانهای انسانی در کشف واکنشهای شیمیایی جدید می شود ، زمینه را برای تغییر در الگوی فعلی فراهم کند. برای بهبود خطوط لوله آلی و فن آوری. “

چوپرا گفت که رویکرد تیم پوردو در تفسیر یادگیری ماشین انسان ، که به عنوان نمودار واکنش شیمیایی معرفی شده است ، می تواند برای مطالعه واکنش هر MCR یا هر واکنش شیمیایی گسترش یابد. این به روباتیک در مقیاس بزرگ احتیاج ندارد ، زیرا این روش ها را می توان توسط شیمی دانان هنگام آزمایش برای آزمایش در آزمایشگاه های خود استفاده کرد.

“ما اولین گزارش از یک چارچوب را ارائه می دهیم که ترکیبی از آزمایشات سریع با شیمی مصنوعی و محاسبات شیمی کوانتوم برای درک مکانیسم واکنش و مدلهای آماری پایدار آماری ماشین تفسیر شده توسط انسان برای شناسایی مدلهای شیمیایی برای پیش بینی و آزمایش تجربی واکنش ناهمگن N-sulfon ها است. چوپرا گفت.

این کار با سایر نوآوری ها و تحقیقات آزمایشگاه Chopra مطابقت دارد که اعضای تیم آن برای ثبت اختراع تعدادی از فن آوری ها با دفتر بنیاد تحقیقات فناوری Purdue همکاری می کنند.

کروپال جتاوا ، دانشجوی فوق دکترا در آزمایشگاه Chopra که یکی از نویسندگان این اثر است ، گفت: “استفاده بی سابقه از یک مدل یادگیری ماشین در تولید نمودارهای بلوک واکنش شیمیایی به ما کمک کرده است تا واکنش واکنش های مختلف N-sulphonylimin ها را به طور سنتی در MCR درک کنیم.” “ما معتقدیم که دست در دست هم کار با شیمی دانهای آلی و محاسباتی راهی جدید برای حل مشکلات پیچیده واکنش شیمیایی برای سایر واکنش ها در آینده باز می کند.”

چوپرا اظهار داشت كه محققان پوردو امیدوارند كه كارهایشان زمینه ساز یكی از مثالهای بسیاری شود كه قدرت یادگیری ماشین را برای ایجاد یك روش جدید مصنوعی برای طراحی دارو و نه فقط در آینده نشان می دهد.

جاناتان فاین ، دانشجوی سابق پوردو که یکی از نویسندگان این اثر است ، گفت: “در این کار ، ما سعی کردیم اطمینان حاصل کنیم که مدل یادگیری ماشینی ما برای شیمی دانان ناآشنا به این زمینه به راحتی قابل درک است.” . “ما معتقدیم که این مدل ها نه تنها توانایی پیش بینی واکنش ها را دارند ، بلکه برای درک بهتر زمان بروز واکنش نیز مورد استفاده قرار می گیرند. برای نشان دادن این ، ما از مدل خود برای هدف قرار دادن لایه های اضافی برای ببینید آیا واکنشی وجود دارد. “

تاریخچه تاریخ:

مواد تهیه شده توسط دانشگاه پوردو. اصلی ، نوشته شده توسط کریس آدام. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.


منبع: packge-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>