OrbNet voorspelt eigenschappen van verbindingen (afb: CalTech)
Een scheikundige is voor velen nog steeds iemand die in potten en pannen stofjes staat te brouwen. Er bestaat wel zoiets als theoretische scheikunde, maar dat zijn natuurlijk geen echte scheikundigen. Tegenwoordig heet dat dan kennelijk kwantumscheikunde. Daarmee kan je, onder meer, vooraf de eigenschappen van een stof berekenen zonder die in reactiekolven hoeft te brouwen of hoe je die verbinding zou kunnen maken. Probleem is dat die kwantumscheikunde nogal veel rekentijd vergt, maar gelukkig (hoera!) dan hebben we de kunstmatige intelligentie nog, meer bepaald de zelflerende systemen. Onderzoekers van Caltech hebben met OrbNet een ki-systeem in elkaar ‘geschroefd’ waarmee ‘bakken en braden’ (in theorie, dan) een stuk eenvoudiger en sneller wordt.
Die kwantumscheikunde is dus erg handig, maar wel erg rekenintensief. Er zijn berekeningen die dagen in beslag kunnen nemen of zelfs langer en dan verlang je haast naar het lab met zijn potten en pannen. Met het zelflerende OrbNet (Orb staat voor orbital, de banen waarin elektronen rond een atoomkern cirkelen) zou dat een factor duizend sneller gaan. OrbNet is een gezamenlijk product van onderzoekers rond scheikundige Tom Miller en informatica Anima Anandkumar van Caltech.
Miller: “In de kwantumchemie bestaat er een kwalijke wisselwerking tussen nauwkeurigheid en rekentijd. Je begint met een berekening en zegt dan: ik zie je dinsdag wel. Nu kun je de berekeningen interactief doen.”
OrbNet is een neuraal netwerk met knooppunten die gegevens bevatten en lijnen die de verbanden van die informatie aangeven. Atomen en moleculen worden daarbij voorgesteld op basis van de Schrödervergelijking. “In vroegere systemen waren de knooppunten atomen en de lijnen bindingen daartussen”, zegt Miller, “maar zo denkt de kwantumscheikunde er niet over. Dus hebben we iets gebouwd waarbij de knooppunten elektronenbanen zijn en de lijnen de wisselwerkingen tussen die banen. Dat komt veel beter overeen met de Schrödingervergelijking.”
Net als alle zelflerende systemen moet dit neurale netwerk eerst in de leer, eigenlijk net zo als iemand met een nieuwe baan begint. OrbNet leert dan om eigenschappen van moleculen te voorspellen op basis van nauwkeurige kwantummechanische berekeningen.
Molecuulbanen
“OrbNet is een voorbeeld van een zelfleersysteem dat domeinspecifieke zaken gebruikt”, zegt Anandkumar. “In dit geval zijn dat molecuulbanen. Dat maakt het dit systeem mogelijk berekeningen te doen aan veel grotere moleculen, meer dan tien keer, dan de moleculen die het krijgt gepresenteerd tijdens de leerfase. Voor een standaardzelfleermodel is die extrapolatie onmogelijk omdat dat alleen leert te extrapoleren met de gegevens uit de leerfase. De domeinkennis van de molecuulbanen was wezenlijk voor ons om die ‘kennis’ uit de leerfase uit te kunnen breiden naar grotere moleculen.”
Toen nu toe heeft OrbNet kunnen oefenen met zo’n 100 000 verbindingen. Volgens Miller is dat genoeg om het systeem vele nuttige berekeningen te laten doen, maar de leerfase is eigenlijk nooit afgelopen. “Het voorspellen van eigenschappen van verbindingen heeft vele praktische voordelen. OrbNet kan, bijvoorbeeld, gebruikt worden om de structuur van verbindingen te voorspellen, hoe ze reageren, of ze oplosbaar zijn in water of dat ze zich binden aan een eiwit.” Er wordt verder gesleuteld aan het systeem om het nog breder inzetbaar te maken.
Miller: “We hebben getoond dat het werkt in een hoekje van de organische scheikunde, maar er niets dat verhindert die benadering ook voor andere toepassingsgebieden te gebruiken.”
Bron: phys.org