Artikel ini telah ditinjau sesuai dengan proses dan kebijakan editorial Science X. Para editor telah menekankan atribut berikut sambil memastikan kredibilitas konten:
fakta diverifikasi
publikasi yang ditinjau oleh rekan sejawat
sumber terpercaya
membenarkan
OKE! Kredit: Shuhao Zhang, Universitas Carnegie Mellon
× tutup
Kredit: Shuhao Zhang, Universitas Carnegie Mellon
Para peneliti di Universitas Carnegie Mellon dan Laboratorium Nasional Los Alamos menggunakan pembelajaran mesin untuk membuat model yang dapat mensimulasikan proses reaktif dalam beragam bahan dan kondisi organik.
“Ini adalah alat yang dapat digunakan untuk menyelidiki berbagai reaksi di area ini,” kata Shuhao Zhang, seorang mahasiswa pascasarjana di Departemen Kimia Universitas Carnegie Mellon. “Kami dapat menawarkan simulasi lengkap mekanisme reaksi.”
Zhang adalah penulis pertama makalah yang menjelaskan pembuatan dan hasil model pembelajaran mesin baru ini, berjudul “Menjelajahi Batasan Kimia dengan Potensi Pembelajaran Mesin Reaktif Umum”, yang diterbitkan di Nature Chemistry.
Meskipun para peneliti telah melakukan simulasi reaksi sebelumnya, metode sebelumnya memiliki banyak masalah. Model medan gaya reaktif cukup umum, namun biasanya memerlukan pelatihan untuk jenis reaksi tertentu. Model tradisional yang menggunakan mekanika kuantum, di mana reaksi kimia disimulasikan berdasarkan fisika fundamental, dapat diterapkan pada bahan dan molekul apa pun, namun model ini memerlukan penggunaan superkomputer.
Potensi interatomik umum pembelajaran mesin baru (ANI-1xnr) ini dapat melakukan simulasi untuk material arbitrer yang mengandung unsur karbon, hidrogen, nitrogen, dan oksigen, serta memerlukan daya dan waktu komputasi yang jauh lebih sedikit dibandingkan model mekanika kuantum tradisional. Menurut Oleksandr Isayev, profesor kimia di Carnegie Mellon dan kepala laboratorium tempat model tersebut dikembangkan, terobosan ini disebabkan oleh pengembangan pembelajaran mesin.
Simulasi menunjukkan reaksi yang dapat ditimbulkan oleh ANI-1xnr. ANI-1xnr dapat mensimulasikan proses reaktif untuk bahan organik seperti karbon dengan menggunakan daya dan waktu komputasi yang lebih sedikit dibandingkan model simulasi tradisional. Video milik Shuhao Zhang dari Universitas Carnegie Mellon, penulis pertama “Menjelajahi Batasan Kimia Fase Terkondensasi dengan Potensi Umum Pembelajaran Mesin Reaktif.” Kredit: Shuhao Zhang, Universitas Carnegie Mellon
“Pembelajaran mesin muncul sebagai pendekatan yang efisien untuk membangun berbagai bentuk potensi atomistik yang dapat ditransfer menggunakan algoritma regresi. Tujuan keseluruhan dari proyek ini adalah untuk mengembangkan metode pembelajaran mesin yang mampu memprediksi energi dan laju reaksi untuk proses kimia dengan akurasi tinggi tetapi dengan sangat akurat. biaya komputasi rendah, “katanya Isaev.
“Kami telah menunjukkan bahwa model pembelajaran mesin ini dapat dilatih pada teori mekanika kuantum tingkat tinggi dan berhasil memprediksi energi dan gaya dengan akurasi mekanika kuantum dan kecepatan hingga 6-7 kali lipat. paradigma dalam simulasi reaktif.”
Para peneliti menguji ANI-1xnr pada berbagai masalah kimia, termasuk membandingkan bahan tambahan biofuel dan memantau pembakaran metana. Mereka bahkan menciptakan kembali eksperimen Miller, eksperimen kimia terkenal yang seharusnya menunjukkan bagaimana kehidupan berasal di Bumi. Dengan menggunakan eksperimen ini, mereka menemukan bahwa model ANI-1xnr memberikan hasil yang akurat dalam sistem fase terkondensasi.
Zhang mengatakan model tersebut berpotensi diterapkan pada bidang kimia lainnya dengan pelatihan lebih lanjut.
“Kami menemukan bahwa ini berpotensi digunakan untuk mensimulasikan proses biokimia seperti reaksi enzimatik,” kata Zhang. “Kami tidak mendesainnya untuk penggunaan itu, tapi setelah dimodifikasi bisa digunakan untuk tujuan itu.”
Di masa depan, tim berencana untuk menyempurnakan ANI-1xnr agar dapat bekerja dengan lebih banyak unsur dan di lebih banyak wilayah kimia, dan akan mencoba meningkatkan rentang reaksi yang dapat ditangani. Hal ini memungkinkan penggunaannya di banyak bidang di mana perancangan reaksi kimia baru mungkin relevan, seperti penemuan obat.
Zhang dan Isayev bergabung dalam studi ini oleh Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly, dan Justin S. Smith.
Informasi lebih lanjut:
Menjelajahi batas-batas kimia dengan potensi umum pembelajaran mesin reaktif, Nature Chemistry (2024). DOI: 10.1038/s41557-023-01427-3
Informasi dari buku harian:
Kimia alami
+ There are no comments
Add yours