«Экосистема» инструментов для ускорения машинного обучения

Oct 24, 2023

Отчет от 24 марта 2023 г.

Эта статья была проверена в соответствии с редакционным процессом и политикой Science X. Редакторы выделили следующие атрибуты, гарантируя при этом достоверность контента:

проверенный фактами

рецензируемое издание

надежный источник

корректура

Боб Йирка, Phys.org

Команда химиков и ученых-компьютерщиков из Швейцарского федерального технологического института Лозанны, Калифорнийского университета и Института наук и химической инженерии Ecole 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 разработали инструменты для преобразования данных во входные данные машинного обучения для создания системы, способствующей развитию структур машинного обучения.

Ретикулярная химия — это наука о разработке и синтезе пористых кристаллических материалов с определенными заранее заданными структурами и свойствами (строительными блоками). Эти материалы, известные как металлоорганические каркасы (МОФ), находят применение в хранении газов, разделении, катализе, зондировании и доставке лекарств.

К сожалению, открытие и оптимизация новых MOF по-прежнему во многом основаны на экспериментах методом проб и ошибок, что отнимает много времени и средств. Чтобы ускорить развитие 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 Mofdscribe имеет некоторые ограничения, и приступила к созданию более полезной системы.

С этой целью исследователи создали код, который позволил интегрировать компьютерное 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, в какой-то момент они понадобятся. По их мнению, это должно помочь сравнить различия в производительности между системами машинного обучения.

Результатом стало то, что команда называет «экосистемой» — средой, в которой химики могли разрабатывать новые подходы машинного обучения к созданию 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.

Больше информации: Кевин Майк Яблонка и др., Экосистема цифровой ретикулярной химии, ACS Central Science (2023). DOI: 10.1021/accentsci.2c01177

Информация журнала:Центральная научная служба ACS

© 2023 Сеть Science X