Σύστημα τεχνητής νοημοσύνης προβλέπει χημικές αντιδράσεις. Using Neural Networks to Predict Outcomes of Organic Chemistry

The web-based tool is simple, and the model is trained end-to-end, fully data-driven and without the aid of querying a database or any additional external information. Credit: IBM

Ομάδα ερευνητών της ΙΒΜ, μεταξύ των οποίων ένας Έλληνας μηχανικός υπολογιστών, ανέπτυξαν ένα καινοτόμο σύστημα τεχνητής νοημοσύνης που μπορεί να προβλέψει πώς θα εξελιχθούν νέες οργανικές χημικές αντιδράσεις.

Η πρόβλεψη του τι θα συμβεί όταν οι χημικές ουσίες αναμιγνύονται ή υφίστανται επεξεργασία, είναι δύσκολη, επειδή υπεισέρχονται πολλοί διαφορετικοί παράγοντες. Οι επιστήμονες αναζητούν νέους τρόπους για να κάνουν πιο προβλέψιμη την όλη διαδικασία και έτσι να επιταχύνουν την ανάπτυξη νέων χρήσιμων υλικών και φαρμάκων.

There is an intuitive analogy of an organic chemist’s understanding of a compound and a language speaker’s understanding of a word. Consequently, it is possible to introduce the basic concepts and analyze potential impacts of linguistic analysis to the world of organic chemistry. In this work, we cast the reaction prediction task as a translation problem by introducing a template-free sequence-to-sequence model, trained end-to-end and fully data-driven. We propose a novel way of tokenization, which is arbitrarily extensible with reaction information. With this approach, we demonstrate results superior to the state-of-the-art solution by a significant margin on the top-1 accuracy. Specifically, our approach achieves an accuracy of 80.3% without relying on auxiliary knowledge such as reaction templates. Also, 65.4% accuracy is reached on a larger and noisier dataset. Credit: IBM

Οι ερευνητές της ΙΒΜ, μεταξύ των οποίων ο Κώστας Μπέκας του ερευνητικού κέντρου της αμερικανικής εταιρείας στη Ζυρίχη, εφάρμοσαν την τεχνητή νοημοσύνη, αναπτύσσοντας ένα τεχνητό νευρωνικό δίκτυο, το οποίο τροφοδότησαν με μια μεγάλη βάση δεδομένων από σχεδόν 400.000 ήδη γνωστές χημικές αντιδράσεις.

Using SMILES, this molecule is translated into BrCCOC1OCCCC1. Credit: IBM

Έχοντας μάθει όλες αυτές τις χημικές γνώσεις, το σύστημα ήταν στη συνέχεια σε θέση να κάνει προβλέψεις για μελλοντικές χημικές αντιδράσεις σε διαφορετικές συνθήκες. Το σύστημα προτείνει τις πέντε πιθανότερες εκβάσεις για κάθε χημική αντίδραση.

Οι επιστήμονες, που έκαναν μετά δοκιμές επαλήθευσης, διαπίστωσαν ότι η Νο1 πρόβλεψη είναι ορθή στο 80% των περιπτώσεων. Μέχρι στιγμής η εκπαίδευση του συστήματος έχει γίνει με μόρια έως 150 ατόμων.

Οι ερευνητές, που έκαναν σχετική ανακοίνωση σε διεθνές συνέδριο για τα νευρωνικά δίκτυα, θα συνεχίσουν τη βελτίωση του συστήματος, προκειμένου να αυξήσουν στο 90% την ορθότητα των προβλέψεών του. Επίσης θα το εμπλουτίσουν περαιτέρω, ώστε να παίρνει υπόψη του μια πληθώρα παραγόντων (θερμότητα, διαλύτες, pH κ.α.). Απώτερος στόχος τους είναι να δημιουργήσουν ένα σύστημα που μελλοντικά θα μπορούσε να ανταγωνισθεί τους χημικούς σε ένα διαγωνισμού ανθρώπου εναντίον μηχανής.

Επιθυμία τους όμως, όπως είπαν, δεν είναι να αντικαταστήσουν τους χημικούς, αλλά να τους δώσουν πρόσθετα «έξυπνα» εργαλεία για την ταχύτερη και φθηνότερη ανάπτυξη νέων προϊόντων. Προτίθενται μάλιστα να «ανεβάσουν» το σύστημα τεχνητής νοημοσύνης στο υπολογιστικό «νέφος», έτσι ώστε ο οποιοσδήποτε ενδιαφερόμενος να μπορεί να το δοκιμάσει.

Κώστας Μπέκας, Διευθυντής του Foundations of Cognitive Computing της IBM Research Ζυρίχης. Costas Bekas is managing the Foundations of Cognitive Computing group at IBM Research-Zurich.

Ο Κώστας Μπέκας αποφοίτησε από το Τμήμα Μηχανικών Η/Υ και Πληροφορικής του Πανεπιστημίου Πατρών το 1998, από όπου πήρε και το διδακτορικό του το 2003. Αφού έκανε μεταδιδακτορική έρευνα στο Πανεπιστήμιο της Μινεσότα των ΗΠΑ, από το 2005 εργάζεται στην ΙΒΜ Zurich, όπου πλέον φέρει τον τίτλο του «διακεκριμένου ερευνητή» και είναι επικεφαλής της ομάδας των «Θεμελίων της Γνωσιακής Υπολογιστικής».

Πηγές: news.in.gr – www.ibm.com