«Экосистема» инструментов для ускорения проектирования металлоорганических каркасов на основе машинного обучения.
Команда химиков и ученых-компьютерщиков из Швейцарского федерального технологического института Лозанны, Калифорнийского университета и Института химических наук и инженерии Школы разработала экосистему инструментов для ускорения проектирования металлоорганических каркасов на основе машинного обучения.
В своем исследовании, опубликованном в журнале ACS Central Science, Кевин Майк Яблонка, Эндрю Розен, Адити Кришнаприян и Беренд Смит закодировали инструменты для преобразования данных во входные данные для машинного обучения, чтобы создать систему для повышения эффективности машинного обучения.
Ретикулярная химия — это наука о проектировании и синтезе пористых кристаллических материалов с определенными предопределенными структурами и свойствами (строительными блоками). Эти материалы, известные как металлоорганические каркасы (MOF), применяются для хранения газа, разделения, катализа, обнаружения и доставки лекарств.
К сожалению, обнаружение и оптимизация новых MOF по-прежнему в значительной степени основаны на экспериментах методом проб и ошибок, что отнимает много времени и средств. Чтобы ускорить разработку ретикулярной химии, некоторые члены нынешней команды создали пакет приложений под названием Mofdscribe и выпустили его для использования широкой публикой еще в 2022 году.
С тех пор Mofdscribe использовался многими химиками для создания различных MOF. Однако нынешняя команда признала, что у Mofdscribe есть некоторые ограничения, и решила создать более полезную систему.
С этой целью исследователи создали код, позволяющий интегрировать вычислительное моделирование, машинное обучение, интеллектуальный анализ данных и высокопроизводительный скрининг. Они также решили проблему, связанную с утечкой данных, используемых для обучения алгоритмов машинного обучения, в наборы тестов. Они отмечают, что одной из их целей было создание инструментов анализа наборов данных, которые исследователям пока не нужны, но, вероятно, когда-нибудь понадобятся. По их мнению, это должно помочь в сравнении различий в производительности между системами машинного обучения.
Результатом стало то, что команда описывает как «экосистему» — среду, в которой химики могли бы разрабатывать новые подходы машинного обучения для создания MOF с желаемыми функциями и свойствами. Они отмечают, что это также позволяет идентифицировать новые пути синтеза и условия реакции.
Исследовательская группа также отмечает, что новая экосистема облегчит обмен и повторное использование данных и знаний среди исследователей в области ретикулярной химии, что, по их мнению, будет способствовать сотрудничеству и инновациям.
Теги: ИИ
