مصنوعی ذہانت (AI) اور بڑے لینگوئج ماڈلز (LLMs) کی طاقت کو استعمال کرنے کے لیے بہت سی کوششیں کی گئی ہیں تاکہ نئے کیمیائی رد عمل کے نتائج کی پیشن گوئی کی جا سکے۔ تاہم، کامیابی محدود رہی ہے، بڑی حد تک اس لیے کہ یہ ماڈل بنیادی جسمانی اصولوں جیسے بڑے پیمانے پر تحفظ کے قانون سے منسلک نہیں ہیں۔

اب، MIT میں ایک ٹیم نے رد عمل کی پیشین گوئی کے ماڈلز میں جسمانی رکاوٹوں کو شامل کرنے کا ایک طریقہ ڈھونڈ لیا ہے، جس سے نتائج کی درستگی اور وشوسنییتا کو نمایاں طور پر بہتر بنایا گیا ہے۔

سبق 86.png کی تصویر
FlowER (الیکٹران کی دوبارہ تقسیم کے لیے فلو میچنگ) سسٹم الیکٹرانوں کی نقل و حرکت کی تفصیلی ٹریکنگ کی اجازت دیتا ہے، اس بات کو یقینی بناتا ہے کہ کوئی بھی الیکٹران مصنوعی طور پر شامل یا ضائع نہ ہو۔ تصویر: ایم آئی ٹی نیوز

جریدے نیچر میں 20 اگست کو شائع ہونے والے اس کام کے شریک مصنف جونیونگ جونگ (اب کوکمن یونیورسٹی، جنوبی کوریا میں اسسٹنٹ پروفیسر ہیں)، سابق سافٹ ویئر انجینئر من ہانگ فونگ (اب ڈیوک یونیورسٹی میں)، کیمیکل انجینئرنگ کے گریجویٹ طالب علم نکولس کیسیٹی، پوسٹ ڈاکیٹرل ریسرچر اردن لیلس، فزکس کے لیڈ اسٹوڈنٹ، کونسانیاکے، ڈاکٹر نیچرل، کونسیانک، اور مصنف تھے۔ 1957 کیمیکل انجینئرنگ ڈیپارٹمنٹ اور الیکٹریکل سائنس اینڈ انجینئرنگ کے شعبہ میں کیریئر ڈویلپمنٹ پروفیسر۔

ردعمل کی پیشن گوئی کیوں اہم ہے؟

جونگ بتاتے ہیں، "کسی ردعمل کے نتائج کی پیشن گوئی کرنا ایک بہت اہم کام ہے۔ مثال کے طور پر، اگر آپ کوئی نئی دوا بنانا چاہتے ہیں، تو "آپ کو یہ جاننا ہوگا کہ اس کی ترکیب کیسے کی جائے۔ اس کے لیے یہ جاننا ضروری ہے کہ کون سی مصنوعات ظاہر ہونے کا امکان ہے" ابتدائی مواد کے سیٹ سے۔

پچھلی کوششوں میں اکثر صرف ان پٹ اور آؤٹ پٹ ڈیٹا کو دیکھا جاتا ہے، درمیانی مراحل اور جسمانی رکاوٹوں کو نظر انداز کیا جاتا ہے جیسے کہ قدرتی طور پر بڑے پیمانے پر تخلیق کرنے یا کھونے میں ناکامی۔

جونگ بتاتے ہیں کہ، اگرچہ ChatGPT جیسے LLM کو تحقیق میں کچھ کامیابی ملی ہے، لیکن ان کے پاس اس بات کو یقینی بنانے کے لیے ایک طریقہ کار کی کمی ہے کہ ان کے نتائج طبیعیات کے قوانین کی پیروی کریں۔ "ٹوکنز کو محفوظ کیے بغیر (جو ایٹموں کی نمائندگی کرتے ہیں)، LLMs من مانی طور پر رد عمل میں ایٹموں کو تخلیق یا تباہ کر دیں گے،" وہ کہتے ہیں۔ "یہ سائنس سے زیادہ کیمیا کی طرح ہے۔"

FlowerER حل: پرانے پلیٹ فارم پر مبنی، نئی ٹیکنالوجی پر لاگو

اس پر قابو پانے کے لیے، ٹیم نے ایک رد عمل میں الیکٹران کی نمائندگی کرنے کے لیے 1970 کا ایک طریقہ استعمال کیا جو کیمسٹ ایوار یوگی نے تیار کیا تھا - بانڈ-الیکٹران میٹرکس۔

اس کی بنیاد پر، انہوں نے FlowER (الیکٹران کی دوبارہ تقسیم کے لیے فلو میچنگ) پروگرام تیار کیا، جو الیکٹرانوں کی نقل و حرکت کی تفصیلی ٹریکنگ کی اجازت دیتا ہے، اس بات کو یقینی بناتا ہے کہ کوئی بھی الیکٹران مصنوعی طور پر شامل یا ضائع نہ ہو۔

یہ میٹرکس کسی بانڈ یا مفت الیکٹران کے جوڑے کی نمائندگی کرنے کے لیے غیر صفر قدر کا استعمال کرتا ہے، اور اس کے مخالف کے لیے صفر۔ "یہ ہمیں ایٹم اور الیکٹران دونوں کو محفوظ رکھنے کی اجازت دیتا ہے،" فونگ بتاتے ہیں۔ یہ ماڈل میں بڑے پیمانے پر تحفظ کو شامل کرنے کی کلید ہے۔

ابتدائی لیکن امید افزا ثبوت

Coley کے مطابق، موجودہ نظام صرف ایک مظاہرہ ہے - ایک ثبوت کا تصور جو ظاہر کرتا ہے کہ "بہاؤ کے ملاپ" کا طریقہ کیمیائی رد عمل کی پیشین گوئی کے لیے موزوں ہے۔

دس لاکھ سے زیادہ کیمیائی رد عمل (امریکی پیٹنٹ آفس سے جمع کیے گئے) کے ڈیٹا کے ساتھ تربیت یافتہ ہونے کے باوجود، ڈیٹا بیس میں اب بھی دھاتی اور اتپریرک پر مبنی رد عمل کی کمی ہے۔

"ہم پرجوش ہیں کہ نظام قابل اعتماد طریقے سے ردعمل کے طریقہ کار کی پیش گوئی کر سکتا ہے،" کولی نے کہا۔ "یہ بڑے پیمانے پر محفوظ رکھتا ہے، یہ الیکٹران کو محفوظ رکھتا ہے، لیکن یقینی طور پر آنے والے سالوں میں مضبوطی کو بڑھانے اور بہتر بنانے کے طریقے موجود ہیں."

ماڈل اب GitHub پر عوامی طور پر دستیاب ہے۔ Coley امید کرتا ہے کہ یہ رد عمل کا اندازہ لگانے اور ردعمل کے نقشے بنانے کے لیے ایک مفید ٹول ثابت ہوگا۔

ڈیٹا کے ذرائع اور وسیع درخواست کی صلاحیت کو کھولیں۔

فونگ نے کہا، "ہم نے ماڈل سے لے کر ڈیٹا تک، جونگ کی طرف سے بنائے گئے پچھلے ڈیٹاسیٹ تک سب کچھ عوامی کر دیا، جس میں رد عمل کے معروف میکانکی مراحل کی تفصیل تھی۔"

ٹیم کے مطابق، FlowER معیاری میکانزم کو تلاش کرنے میں موجودہ طریقوں سے مماثل یا اس سے تجاوز کر سکتا ہے، جبکہ رد عمل کے پہلے نہ دیکھے جانے والے طبقات کو بھی عام کر سکتا ہے۔ ممکنہ ایپلی کیشنز فارماسیوٹیکل کیمسٹری، مواد کی دریافت ، آگ کی تحقیق، ماحولیاتی کیمسٹری سے لے کر الیکٹرو کیمیکل سسٹم تک ہیں۔

دوسرے سسٹمز کے مقابلے میں، کولی نے نوٹ کیا: "ہم جو آرکیٹیکچرل انتخاب استعمال کرتے ہیں، اس کے ساتھ ہم درستگی کو برقرار رکھتے ہوئے یا اس میں قدرے بہتری لاتے ہوئے، درستگی اور سالمیت میں کوانٹم لیپ حاصل کرتے ہیں۔"

کولی کا کہنا ہے کہ جو چیز منفرد ہے، وہ یہ ہے کہ ماڈل میکانزم کو "ایجاد" نہیں کرتا ہے، بلکہ پیٹنٹ لٹریچر سے تجرباتی ڈیٹا کی بنیاد پر ان کا اندازہ لگاتا ہے۔ "ہم تجرباتی ڈیٹا سے میکانزم نکال رہے ہیں - کچھ ایسا جو کبھی نہیں کیا گیا اور اس پیمانے پر شیئر کیا گیا ہے۔"

اگلا مرحلہ

ٹیم دھاتوں اور کیٹلیٹک سائیکلوں کے بارے میں ماڈل کی سمجھ کو بڑھانے کا ارادہ رکھتی ہے۔ "ہم نے صرف سطح کو کھرچ دیا ہے،" کولی نے اعتراف کیا۔

طویل مدتی میں، اس کا خیال ہے کہ یہ نظام نئے پیچیدہ رد عمل کو دریافت کرنے کے ساتھ ساتھ پہلے نامعلوم میکانزم پر روشنی ڈال سکتا ہے۔ "طویل مدتی صلاحیت بہت بڑی ہے، لیکن یہ صرف شروعات ہے۔"

اس تحقیق کو مشین لرننگ فار فارماسیوٹیکل ڈسکوری اینڈ سنتھیسس کنسورشیم اور یو ایس نیشنل سائنس فاؤنڈیشن (این ایس ایف) نے تعاون کیا۔

(ماخذ: ایم آئی ٹی)

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