یادگیری ماشینی برای شیمی: مبانی و کاربردها

مقاله تخصصی یادگیری ماشینی برای شیمی: مبانی و کاربردها که به بررسی اصول، مبانی و کاربرد یادگیری ماشین در علم شیمی و مهندسی پرداخته است. Machine Learning for Chemistry: Basics and Applications دهه گذشته شاهد افزایش شدید کاربردهای یادگیری ماشین (ML) در تحقیقات علمی بوده است. این بررسی اجزای اساسی یادگیری ماشینی را معرفی می‌کند، از جمله پایگاه‌های داده، ویژگی‌ها و الگوریتم‌ها، و چند دستاورد مهم در شیمی را که توسط تکنیک‌های ML کمک شده‌اند، برجسته می‌کند. پایگاه های داده توصیف شده شامل برخی از محبوب ترین پایگاه های داده شیمیایی برای مولکول ها و مواد به دست آمده از آزمایش ها یا محاسبات محاسباتی است.

جدا از دستاوردهای موفق یادگیری ماشینی در زندگی روزمره، مانند تشخیص تصویر و تشخیص گفتار، یادگیری ماشینی توجه زیادی را در تحقیقات علمی مدرن به خود جلب کرده است. به عنوان مثال، الگوریتم AlphaFold برای پیش بینی ساختار پروتئین، قدرت خود را به عنوان یک تغییر دهنده بازی در زیست شناسی ساختاری نشان داده است. این بررسی بر پیشرفت‌های اخیر کاربردهای یادگیری ماشینی در تحقیقات شیمی متمرکز خواهد شد، که ذاتاً حاوی حجم عظیمی از داده‌ها، مربوط به پیچیدگی مواد و تنوع عظیم مولکول‌های آلی است.

ویژگی‌های مهم دو بعدی (2D) و سه بعدی (3D) که محیط شیمیایی مولکول‌ها و جامدات را نشان می‌دهند به طور خلاصه معرفی می‌شوند. الگوریتم‌های شبکه عصبی درخت تصمیم و یادگیری عمیق برای تأکید بر چارچوب‌ها و سناریوهای کاربردی معمولی مرور می‌شوند. سه زمینه مهم ML در شیمی مورد بحث قرار گرفته است:

• 1- سنتز برگشتی retrosynthesis، که در آن یادگیری ماشینی مسیرهای احتمالی سنتز آلی را پیش بینی می کند.
• 2- شبیه سازی اتمی، که از پتانسیل یادگیری ماشینی برای تسریع نمونه برداری سطح انرژی پتانسیل استفاده می کند. 
• 3- کاتالیز ناهمگن، که در آن یادگیری ماشینی در جنبه های مختلف طراحی کاتالیزوری، از بهینه سازی شرایط سنتزی گرفته تا کشف مکانیسم واکنش، کمک می کند. در نهایت، چشم اندازی در مورد برنامه های کاربردی یادگیری ماشینی آینده ارائه می شود.