มีความพยายามมากมายในการใช้ประโยชน์จากพลังของปัญญาประดิษฐ์ (AI) และแบบจำลองภาษาขนาดใหญ่ (LLM) เพื่อทำนายผลลัพธ์ของปฏิกิริยาเคมีใหม่ๆ อย่างไรก็ตาม ความสำเร็จยังมีจำกัด ส่วนใหญ่เป็นเพราะแบบจำลองเหล่านี้ไม่ได้เชื่อมโยงกับหลักการทางฟิสิกส์พื้นฐาน เช่น กฎการอนุรักษ์มวล

ปัจจุบัน ทีมงานที่ MIT ได้ค้นพบวิธีที่จะรวมข้อจำกัดทางกายภาพเข้ากับโมเดลการทำนายปฏิกิริยา ซึ่งช่วยเพิ่มความแม่นยำและความน่าเชื่อถือของผลลัพธ์ได้อย่างมีนัยสำคัญ

รูปภาพของบทเรียน 86.png
ระบบ FlowerER (Flow matching for Electron Redistribution) ช่วยให้สามารถติดตามการเคลื่อนที่ของอิเล็กตรอนได้อย่างละเอียด มั่นใจได้ว่าจะไม่มีการเพิ่มหรือสูญเสียอิเล็กตรอนโดยเทียม ภาพ: MIT News

งานวิจัยซึ่งตีพิมพ์ในวารสาร Nature เมื่อวันที่ 20 สิงหาคม มีผู้เขียนร่วมคือ Joonyoung Joung (ปัจจุบันเป็นผู้ช่วยศาสตราจารย์ที่มหาวิทยาลัย Kookmin ประเทศเกาหลีใต้), Mun Hong Fong อดีตวิศวกรซอฟต์แวร์ (ปัจจุบันอยู่ที่มหาวิทยาลัย Duke), Nicholas Casetti นักศึกษาบัณฑิตศึกษาสาขาวิศวกรรมเคมี, Jordan Liles นักวิจัยหลังปริญญาเอก, Ne Dassanayake นักศึกษาฟิสิกส์ และ Connor Coley ผู้เขียนหลัก ซึ่งเป็นศาสตราจารย์ด้านการพัฒนาอาชีพในภาควิชาวิศวกรรมเคมีและภาค วิชาวิทยาศาสตร์ และวิศวกรรมไฟฟ้าในปี พ.ศ. 2500

เหตุใดการทำนายปฏิกิริยาจึงมีความสำคัญ?

“การทำนายผลลัพธ์ของปฏิกิริยาเป็นงานที่สำคัญมาก” จุงอธิบาย ยกตัวอย่างเช่น หากคุณต้องการผลิตยาใหม่ “คุณจำเป็นต้องรู้วิธีสังเคราะห์ยา ซึ่งต้องรู้ว่าผลิตภัณฑ์ใดที่น่าจะปรากฏตัว” จากชุดวัตถุดิบตั้งต้น

ความพยายามก่อนหน้านี้มักจะพิจารณาเฉพาะข้อมูลอินพุตและเอาต์พุตเท่านั้น โดยละเลยขั้นตอนกลางและข้อจำกัดทางกายภาพ เช่น การไม่สามารถสร้างหรือสูญเสียมวลโดยธรรมชาติได้

Joung ชี้ให้เห็นว่า แม้ว่าหลักสูตร LLM อย่าง ChatGPT จะประสบความสำเร็จในการวิจัยบ้าง แต่พวกเขาก็ขาดกลไกที่จะรับประกันว่าผลลัพธ์ของพวกเขาเป็นไปตามกฎฟิสิกส์ “หากไม่มีการอนุรักษ์ ‘โทเค็น’ (ซึ่งแทนอะตอม) หลักสูตร LLM จะสร้างหรือทำลายอะตอมในปฏิกิริยาตามอำเภอใจ” เขากล่าว “มันเหมือนกับการเล่นแร่แปรธาตุมากกว่าวิทยาศาสตร์”

โซลูชัน FlowerER: บนแพลตฟอร์มเก่า นำมาประยุกต์ใช้กับเทคโนโลยีใหม่

เพื่อเอาชนะปัญหานี้ ทีมงานได้ใช้เทคนิคในยุค 1970 ที่พัฒนาโดยนักเคมี Ivar Ugi ซึ่งก็คือเมทริกซ์พันธะอิเล็กตรอน เพื่อแสดงอิเล็กตรอนในปฏิกิริยา

จากนั้นพวกเขาจึงพัฒนาโปรแกรม FlowerER (Flow matching for Electron Redistribution) ขึ้นมา ซึ่งช่วยให้สามารถติดตามการเคลื่อนที่ของอิเล็กตรอนได้อย่างละเอียด ทำให้มั่นใจได้ว่าจะไม่มีการเพิ่มหรือสูญเสียอิเล็กตรอนโดยเทียม

เมทริกซ์นี้ใช้ค่าที่ไม่เป็นศูนย์เพื่อแสดงพันธะหรือคู่อิเล็กตรอนอิสระ และค่าศูนย์สำหรับค่าตรงกันข้าม “สิ่งนี้ช่วยให้เราสามารถอนุรักษ์ทั้งอะตอมและอิเล็กตรอนได้” ฟองอธิบาย นี่เป็นกุญแจสำคัญในการรวมการอนุรักษ์มวลไว้ในแบบจำลอง

หลักฐานเบื้องต้นแต่มีแนวโน้มดี

ตามที่ Coley กล่าว ระบบปัจจุบันเป็นเพียงการสาธิตเท่านั้น ซึ่งเป็นการพิสูจน์แนวคิดที่แสดงให้เห็นว่าวิธี "การจับคู่การไหล" เหมาะสมเป็นอย่างดีสำหรับการคาดการณ์ปฏิกิริยาทางเคมี

แม้ว่าจะได้รับการฝึกอบรมด้วยข้อมูลจากปฏิกิริยาเคมีมากกว่าหนึ่งล้านปฏิกิริยา (รวบรวมจากสำนักงานสิทธิบัตรของสหรัฐอเมริกา) แต่ฐานข้อมูลยังขาดปฏิกิริยาที่ใช้โลหะและตัวเร่งปฏิกิริยา

“เราตื่นเต้นมากที่ระบบนี้สามารถคาดการณ์กลไกการเกิดปฏิกิริยาได้อย่างน่าเชื่อถือ” โคลีย์กล่าว “มันช่วยรักษามวลและอิเล็กตรอนไว้ได้ แต่ก็ยังมีวิธีที่จะขยายและปรับปรุงความทนทานในอีกไม่กี่ปีข้างหน้าอย่างแน่นอน”

ขณะนี้โมเดลนี้เปิดให้ใช้งานสาธารณะบน GitHub แล้ว Coley หวังว่ามันจะเป็นเครื่องมือที่มีประโยชน์สำหรับการประเมินปฏิกิริยาและสร้างแผนที่การตอบสนอง

แหล่งข้อมูลเปิดและศักยภาพการใช้งานที่กว้างขวาง

“เราเปิดเผยทุกอย่างต่อสาธารณะ ตั้งแต่แบบจำลอง ข้อมูล ไปจนถึงชุดข้อมูลก่อนหน้าที่ Joung สร้างขึ้น ซึ่งมีรายละเอียดขั้นตอนเชิงกลไกที่ทราบของปฏิกิริยา” ฟองกล่าว

ทีมวิจัยระบุว่า FlowerER สามารถเทียบเคียงหรือเหนือกว่าวิธีการที่มีอยู่เดิมในการค้นหากลไกมาตรฐาน ขณะเดียวกันก็ยังสามารถนำไปใช้กับปฏิกิริยาประเภทต่างๆ ที่ไม่เคยพบเห็นมาก่อนได้อีกด้วย การประยุกต์ใช้ที่เป็นไปได้มีตั้งแต่เคมีเภสัชกรรม การค้นพบ วัสดุ การวิจัยไฟ เคมีบรรยากาศ ไปจนถึงระบบไฟฟ้าเคมี

เมื่อเปรียบเทียบกับระบบอื่น Coley กล่าวว่า “ด้วยตัวเลือกสถาปัตยกรรมที่เราใช้ เราบรรลุการก้าวกระโดดครั้งใหญ่ในด้านความถูกต้องและความสมบูรณ์ ในขณะที่ยังคงรักษาหรือปรับปรุงความแม่นยำเล็กน้อย”

โคลีย์กล่าวว่า สิ่งที่พิเศษคือแบบจำลองนี้ไม่ได้ “ประดิษฐ์” กลไกขึ้นมา แต่อนุมานกลไกเหล่านั้นโดยอ้างอิงจากข้อมูลการทดลองจากเอกสารสิทธิบัตร “เรากำลังดึงกลไกออกมาจากข้อมูลการทดลอง ซึ่งเป็นสิ่งที่ไม่เคยมีการทำและแบ่งปันกันมาก่อนในระดับนี้”

ขั้นตอนต่อไป

ทีมวางแผนที่จะขยายความเข้าใจของแบบจำลองเกี่ยวกับโลหะและวัฏจักรตัวเร่งปฏิกิริยา “เรายังแค่เพียงผิวเผินเท่านั้น” โคลีย์ยอมรับ

ในระยะยาว เขาเชื่อว่าระบบนี้สามารถช่วยค้นพบปฏิกิริยาที่ซับซ้อนใหม่ๆ และช่วยให้เข้าใจกลไกที่ไม่เคยมีใครรู้จักมาก่อนได้ “ศักยภาพในระยะยาวนั้นมหาศาล แต่นี่เป็นเพียงจุดเริ่มต้นเท่านั้น”

งานวิจัยนี้ได้รับการสนับสนุนจากกลุ่ม Machine Learning for Pharmaceutical Discovery and Synthesis และมูลนิธิวิทยาศาสตร์แห่งชาติสหรัฐอเมริกา (NSF)

(ที่มา: MIT)

ที่มา: https://vietnamnet.vn/moi-hinh-ai-moi-du-doan-phan-ung-hoa-hoc-chinh-xac-nho-bao-toan-khoi-luong-2444232.html