Un equipo de investigación internacional e interdisciplinario de científicos ha creado un método de aprendizaje automático que predice el comportamiento molecular, un avance que puede ayudar en el desarrollo de productos farmacéuticos y el diseño de nuevas moléculas que se pueden utilizar para mejorar el rendimiento de lostecnologías de baterías, células solares y pantallas digitales.
El trabajo aparece en la revista Comunicaciones de la naturaleza .
"Al identificar patrones en el comportamiento molecular, el algoritmo de aprendizaje o 'máquina' que creamos construye una base de conocimiento sobre las interacciones atómicas dentro de una molécula y luego se basa en esa información para predecir nuevos fenómenos", explica Mark Tuckerman, profesor de la Universidad de Nueva Yorkde química y matemáticas y uno de los autores principales del artículo.
Los otros autores principales del artículo fueron Klaus-Robert Müller de la Technische Universität TUB de Berlín y Kieron Burke de la Universidad de California Irvine.
El trabajo combina innovaciones en aprendizaje automático con física y química. Los enfoques basados en datos, en particular en el área del aprendizaje automático, permiten que los dispositivos cotidianos aprendan automáticamente a partir de datos de muestra limitados y, posteriormente, actúen sobre la nueva información de entrada. Tales enfoqueshan transformado la forma en que llevamos a cabo tareas comunes como búsquedas en línea, análisis de texto, reconocimiento de imágenes y traducción de idiomas.
En los últimos años, se ha producido un desarrollo relacionado en las ciencias naturales, con esfuerzos dirigidos hacia la ingeniería, la ciencia de los materiales y el diseño molecular. Sin embargo, los enfoques de aprendizaje automático en estos campos generalmente no han explorado la creación de metodologías, herramientas que podríanhacer avanzar la ciencia en formas que ya se han logrado en la banca y la seguridad pública.
El equipo de investigación creó una máquina que puede aprender interacciones interatómicas complejas, que normalmente son prescritas por cálculos mecánicos cuánticos complejos, sin tener que realizar cálculos tan intrincados.
Al construir su máquina, los investigadores crearon un pequeño conjunto de muestra de la molécula que deseaban estudiar para entrenar el algoritmo y luego utilizaron la máquina para simular un comportamiento químico complejo dentro de la molécula. Como ejemplo ilustrativo, eligieron una sustancia químicaproceso que ocurre dentro de una molécula simple conocida como malonaldehído. Para sopesar la viabilidad de la herramienta, examinaron cómo la máquina predijo el comportamiento químico y luego compararon su predicción con nuestra comprensión química actual de la molécula. Los resultados revelaron cuánto podía la máquinaaprender de los limitados datos de entrenamiento que se le habían proporcionado.
"Ahora hemos alcanzado la capacidad no solo de usar la IA para aprender de los datos, sino que también podemos probar el modelo de IA para ampliar nuestra comprensión científica y obtener nuevos conocimientos", comenta Klaus-Robert Müller, profesor de aprendizaje automático en la Universidad Técnicade Berlín.
Video: http://wp.nyu.edu/tuckerman_group/research/machine-learning/
Fuente de la historia :
Materiales proporcionados por Universidad de Nueva York . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :