Tokyo Üniversitesi Endüstriyel Bilimler Enstitüsü’ndeki araştırmacılar, yeni ilaçların ve organik iletkenlerin geliştirilmesine yardımcı olabilecek malzeme bilimi spektroskopisi deneylerinden elde edilen verileri yorumlamaya yardımcı olması için yapay zekayı kullanıyor. Kredi: Tokyo Üniversitesi, Endüstriyel Bilimler Enstitüsü
Bilim adamları, organik moleküllerdeki elektron enerji seviyelerini tahmin eden bir makine öğrenimi algoritması geliştirdiler. 22.000’den fazla molekülden oluşan bir veri tabanında eğitilen bu buluş, farmasötikler gibi fonksiyonel moleküllerin tasarımını hızlandırabilir.
Karbon bazlı moleküllerin incelenmesi olan organik kimya, yalnızca canlı organizma biliminin temelini oluşturmaz , ancak organik ışık yayan diyot (OLED) ekranlar gibi birçok mevcut ve gelecekteki teknoloji için kritik öneme sahiptir. Bir malzemenin moleküllerinin elektronik yapısını anlamak, malzemenin kimyasal özelliklerini tahmin etmenin anahtarıdır.
Tokyo Üniversitesi Endüstriyel Bilimler Enstitüsü’ndeki araştırmacılar tarafından yakın zamanda yayınlanan bir çalışmada, bir makine öğrenimi algoritması geliştirildi. bir organik molekül içindeki durumların yoğunluğunu, yani bir malzemenin molekülleri içindeki temel durumda elektronların işgal edebileceği enerji seviyelerinin sayısını tahmin edin. Spektral verilere dayanan bu tahminler, karbon bazlı molekülleri analiz ederken organik kimyacılara ve malzeme bilimcilere çok yardımcı olabilir.
Halilerin yoğunluğunu bulmak için sıklıkla kullanılan deneysel tekniklerin yorumlanması zor olabilir. Bu, enerji kaybı yakın kenar spektroskopisi (ELNES) ile X-ışını soğurma yakın kenar yapısını (XANES) birleştiren çekirdek kaybı spektroskopisi olarak bilinen yöntem için özellikle doğrudur. Bu yöntemler, bir malzeme numunesinde bir elektron demeti veya X-ışınları ışınlar; Ortaya çıkan elektron saçılımı ve malzemenin molekülleri tarafından yayılan enerji ölçümleri, ilgilenilen molekülün durum yoğunluğunun ölçülmesine izin verir. Bununla birlikte, spektrumun sahip olduğu bilgiler yalnızca uyarılmış moleküllerin elektronsuz (boş) durumlarındadır.
Bu sorunu ele almak için Tokyo Üniversitesi Endüstriyel Bilim Enstitüsündeki ekip, bir sinir ağı eğitti. çekirdek kaybı spektroskopisi verilerini analiz etmek ve elektronik durumların yoğunluğunu tahmin etmek için makine öğrenimi modeli. İlk olarak, 22.000’den fazla molekül için durumların yoğunlukları ve karşılık gelen çekirdek kaybı spektrumları hesaplanarak bir veri tabanı oluşturuldu. Ayrıca bazı simüle gürültü eklediler. Daha sonra, algoritma çekirdek kaybı spektrumları üzerinde eğitildi ve temel durumda hem dolu hem de boş durumların doğru durum yoğunluğunu tahmin edecek şekilde optimize edildi.
“Eğitilmiş bir model kullanarak daha büyük moleküller için tahminler çıkarmaya çalıştık. daha küçük moleküller tarafından Baş yazar Po-Yen Chen, “Doğruluğun küçük molekülleri hariç tutarak iyileştirilebileceğini keşfettik” diye açıklıyor.
Ekip ayrıca, yumuşatıcı ön işlemeyi kullanarak ve verilere belirli gürültü ekleyerek, yoğunluk tahminlerinin durum geliştirilebilir, bu da gerçek veriler üzerinde kullanım için tahmin modelinin benimsenmesini hızlandırabilir.
“Çalışmamız, araştırmacıların moleküllerin malzeme özelliklerini anlamalarına ve fonksiyonel moleküllerin tasarımını hızlandırmalarına yardımcı olabilir.” Kıdemli yazar Teruyasu Mizoguchi diyor. Bu, farmasötikleri ve diğer heyecan verici bileşikleri içerebilir.
Referans: “Makine Öğrenimi ile Organik Moleküllerin Çekirdek Kaybı Spektrumlarından Temel Durum Elektronik Yapısının Tahmini” 17 Mayıs 2023, The Journal of Physical Chemistry Letters.{ 9} DOI:10.1021/acs.jpclett.3c00142