شیمیدانان با کمک هوش مصنوعی سرعت واکنش‌های شیمیایی را کشف می‌کنند
پژوهشگران دانشگاه توکیو روش جدیدی مبتنی بر هوش مصنوعی و یادگیری ماشین توسعه داده‌اند که می‌تواند اطلاعات پنهان درباره سرعت و سازوکار واکنش‌های شیمیایی را از داده‌های حاصل از بهینه‌سازی واکنش استخراج کند. این روش که CYAN نام دارد، می‌تواند به شیمیدانان کمک کند بدون انجام مجموعه‌ای جداگانه از آزمایش‌های سینتیکی، اطلاعات ارزشمندی درباره سرعت مراحل مختلف یک واکنش به دست آورند.
روش CYAN چگونه به بررسی واکنش‌های شیمیایی کمک می‌کند؟
شیمیدانان برای تولید یک ترکیب شیمیایی با بازده بالا، معمولاً شرایط مختلف واکنش را آزمایش می‌کنند. تغییر عواملی مانند غلظت مواد، دما، زمان واکنش و زمان افزودن واکنش‌دهنده‌ها می‌تواند تأثیر قابل‌توجهی بر مقدار محصول نهایی داشته باشد.
این آزمایش‌های بهینه‌سازی معمولاً مشخص می‌کنند که کدام شرایط بیشترین بازده را ایجاد می‌کنند، اما اطلاعات محدودی درباره سرعت مراحل مختلف واکنش و مکانیسم شیمیایی آن ارائه می‌دهند.
برای بررسی دقیق‌تر مکانیسم واکنش، شیمیدانان به‌طور سنتی آزمایش‌های سینتیکی جداگانه‌ای انجام می‌دهند که در آن تغییرات واکنش در طول زمان اندازه‌گیری می‌شود.
روش CYAN تلاش می‌کند این دو فرایند را به یکدیگر مرتبط کند. در این روش، داده‌های مربوط به بازده واکنش که در جریان آزمایش‌های بهینه‌سازی به دست آمده‌اند، با کمک یادگیری ماشین گسترش داده می‌شوند و سپس با استفاده از معادلات سرعت، اطلاعات سینتیکی واکنش استخراج می‌شود.
ترکیب یادگیری ماشین با دانش شیمیایی
یکی از ویژگی‌های مهم CYAN، همکاری میان یادگیری ماشین و دانش شیمیدانان درباره مکانیسم واکنش است.
یادگیری ماشین می‌تواند فاصله میان نتایج آزمایش‌های انجام‌شده را پر کند و تصویر کامل‌تری از تغییر مقدار محصول تحت شرایط مختلف ارائه دهد. سپس شیمیدانان با استفاده از فرضیه‌های خود درباره مکانیسم واکنش و معادلات سرعت مناسب، می‌توانند سرعت مراحل مختلف واکنش را تخمین بزنند.
به این ترتیب، یک مجموعه آزمایش می‌تواند هم برای بهینه‌سازی واکنش شیمیایی و هم برای تحلیل سینتیکی و بررسی مکانیسم واکنش مورد استفاده قرار گیرد.
هیرُویوکی ایسوبه، استاد گروه شیمی دانشگاه توکیو، توضیح داده است که هدف پژوهشگران این بوده که بهینه‌سازی واکنش و مطالعه مکانیسم آن را که معمولاً به‌عنوان دو فعالیت جداگانه در نظر گرفته می‌شوند، به یکدیگر متصل کنند.
این رویکرد همچنین می‌تواند مشکل مهمی را در استفاده از مدل‌های یادگیری ماشین برطرف کند. بسیاری از مدل‌های هوش مصنوعی می‌توانند شرایط مناسب برای انجام یک واکنش را پیدا کنند، اما توضیح نمی‌دهند که چرا یک شرایط خاص بهتر از شرایط دیگر است.
CYAN تلاش می‌کند این «جعبه سیاه» را با ترکیب داده‌های تجربی و فرضیه‌های شیمیایی تا حدی قابل تفسیرتر کند.
کشف نقش غیرمنتظره نیکل در یک واکنش شیمیایی
پژوهشگران برای آزمایش روش CYAN، یک واکنش شیمیایی مبتنی بر نیکل را بررسی کردند که برای ساخت مولکول‌های کربنی حلقوی بزرگ مورد استفاده قرار می‌گیرد.
تحلیل داده‌ها با CYAN اطلاعات سینتیکی جدیدی را درباره این واکنش آشکار کرد. نتایج نشان دادند که نیکل نه‌تنها تشکیل حلقه مولکولی موردنظر را تسهیل می‌کند، بلکه هم‌زمان می‌تواند یک مسیر واکنش رقیب را نیز کند کند.
این موضوع اهمیت زیادی دارد، زیرا در یک واکنش شیمیایی ممکن است چند مسیر مختلف به‌طور هم‌زمان وجود داشته باشند. یکی از این مسیرها می‌تواند محصول موردنظر را ایجاد کند، در حالی که مسیر دیگر به تولید محصولات ناخواسته منجر شود.
در این مورد، کاهش سرعت مسیر رقیب باعث شد واکنش بیشتر به سمت تشکیل مولکول هدف هدایت شود.
اثر قالبی نیکل؛ وقتی کند شدن یک مسیر باعث افزایش بازده می‌شود
این یافته با برداشت معمول از اثر قالبی (Template Effect) تفاوت جالبی دارد. معمولاً تصور می‌شود یک قالب شیمیایی با تسهیل یک مسیر واکنش، سرعت تشکیل محصول مطلوب را افزایش می‌دهد.
اما نتایج این پژوهش نشان می‌دهد که یک قالب می‌تواند با کند کردن یک مسیر رقیب نیز به افزایش انتخاب‌پذیری واکنش کمک کند.
می‌توان این فرایند را مانند رودخانه‌ای تصور کرد که به دو مسیر تقسیم می‌شود. اگر یکی از مسیرها باریک‌تر شود، جریان بیشتری از آب به مسیر دیگر هدایت خواهد شد. به شکل مشابه، محدود شدن یک مسیر واکنش می‌تواند باعث شود مواد بیشتری از مسیر مطلوب عبور کنند.
این دیدگاه می‌تواند برای طراحی و بهینه‌سازی سایر واکنش‌های فلز-قالبی نیز کاربرد داشته باشد.
استفاده از داده‌های قدیمی برای کشف اطلاعات جدید
یکی از جنبه‌های قابل‌توجه روش CYAN این است که کاربرد آن تنها به آزمایش‌های جدید محدود نمی‌شود.
پژوهشگران نشان دادند که می‌توان از داده‌های تجربی تاریخی و منتشرشده نیز برای استخراج اطلاعات سینتیکی استفاده کرد. این موضوع اهمیت زیادی دارد، زیرا در طول دهه‌ها حجم بسیار بزرگی از داده‌های مربوط به واکنش‌های شیمیایی در مقالات علمی منتشر شده است.
اگر بتوان این داده‌ها را با روش‌های جدید یادگیری ماشین و مدل‌های سینتیکی دوباره تحلیل کرد، ممکن است اطلاعاتی درباره مکانیسم و سرعت واکنش‌ها از داده‌هایی استخراج شود که در زمان انجام آزمایش‌های اولیه برای چنین منظوری جمع‌آوری نشده بودند.
در یکی از آزمایش‌های این پژوهش، محققان حتی از داده‌های مربوط به یک آزمایش شیمیایی که ۱۷۶ سال پیش گزارش شده بود استفاده کردند و توانستند مقدار ثابتی برای سرعت واکنش به دست آورند که با مقدار مدرن آن سازگاری داشت.
آیا CYAN جایگزین آزمایش‌های سینتیکی می‌شود؟
پژوهشگران تأکید می‌کنند که CYAN قرار نیست جایگزین کامل آزمایش‌های سینتیکی سنتی شود.
در مواردی که به اندازه‌گیری‌های بسیار دقیق و بررسی تغییرات واکنش در طول زمان نیاز است، آزمایش‌های Time-Course همچنان اهمیت زیادی دارند.
بااین‌حال، CYAN می‌تواند ابزاری مکمل برای استخراج اطلاعات سینتیکی و مکانیسمی از داده‌هایی باشد که در جریان بهینه‌سازی واکنش تولید شده‌اند.
این روش به‌ویژه می‌تواند برای طراحی واکنش‌های سنتزی جدید، افزایش بازده واکنش‌ها، بررسی مسیرهای واکنش و استفاده مجدد از داده‌های موجود در مقالات علمی مفید باشد.
آینده هوش مصنوعی در شیمی آلی
ترکیب هوش مصنوعی، یادگیری ماشین و دانش شیمیایی می‌تواند شیوه مطالعه و طراحی واکنش‌های شیمیایی را تغییر دهد. در روش‌هایی مانند CYAN، هدف فقط پیدا کردن شرایطی نیست که بیشترین بازده را ایجاد می‌کنند؛ بلکه تلاش می‌شود از داده‌های موجود برای درک بهتر دلیل موفقیت یک واکنش نیز استفاده شود.
چنین رویکردی می‌تواند به شیمیدانان کمک کند تا از داده‌های تجربی موجود بیشترین استفاده را ببرند، واکنش‌های پیچیده را بهتر درک کنند و مسیرهای جدیدی برای طراحی واکنش‌های شیمیایی با بازده و انتخاب‌پذیری بالاتر پیدا کنند.
جمع‌بندی
روش CYAN (Concentration-dependent Yield Analysis) نمونه‌ای از کاربرد هوش مصنوعی در شیمی آلی است که داده‌های حاصل از بهینه‌سازی واکنش را با مدل‌های سینتیکی ترکیب می‌کند. این روش می‌تواند اطلاعاتی درباره سرعت مراحل مختلف واکنش و مسیرهای رقابتی آن‌ها ارائه دهد.
کشف نقش نیکل در کند کردن یک مسیر واکنش رقیب و استفاده از داده‌های شیمیایی ۱۷۶ ساله نشان می‌دهد که داده‌های تجربی، حتی زمانی که برای تحلیل سینتیکی جمع‌آوری نشده‌اند، می‌توانند با استفاده از روش‌های محاسباتی جدید حاوی اطلاعات ارزشمندی باشند.
این پژوهش گامی در جهت ترکیب شیمی آلی و هوش مصنوعی برای درک بهتر مکانیسم واکنش‌ها، بهینه‌سازی سنتز مواد شیمیایی و طراحی واکنش‌های جدید محسوب می‌شود.
