Wetenschap
Illustratie bij de studie, die verscheen op een van de covers van "Chemical Science":kunstmatige neurale netwerken helpen om simulaties van fotogeïnduceerde processen drastisch te versnellen. Krediet:Julia Westermayr, Philip Marquetand
Het voorspellen van moleculaire reacties veroorzaakt door licht is tot op heden extreem tijdrovend en dus kostbaar. Een team onder leiding van Philipp Marquetand van de faculteit Scheikunde van de Universiteit van Wenen heeft nu een methode gepresenteerd die gebruikmaakt van kunstmatige neurale netwerken die de simulatie van door licht geïnduceerde processen drastisch versnelt. De methode biedt nieuwe mogelijkheden voor een beter begrip van biologische processen zoals de eerste stappen van carcinogenese of verouderingsprocessen van materie. De studie verscheen in het huidige nummer van het tijdschrift Chemische Wetenschappen , ook met een begeleidende illustratie op een van de omslagen.
Machine learning speelt een steeds belangrijkere rol in chemisch onderzoek, bijv. bij de ontdekking en ontwikkeling van nieuwe moleculen en materialen. In dit onderzoek, onderzoekers uit Wenen en Berlijn laten zien hoe kunstmatige intelligentie efficiënte fotodynamische simulaties mogelijk maakt. Om foto-geïnduceerde processen te begrijpen, zoals fotosynthese, menselijke visuele waarneming of huidkanker, "we moeten de beweging van moleculen onder invloed van UV-licht begrijpen. Naast klassieke mechanische berekeningen, we hebben ook kwantummechanica nodig die rekenkundig extreem veeleisend en daarom kostenintensief is, " zegt Philipp Marquetand, auteur van de studie en wetenschapper aan het Institute of Theoretical Chemistry.
Met eerdere methoden, onderzoekers waren alleen in staat om de snelste foto-geïnduceerde processen in het picosecondebereik (1 picoseconde =0.000 000 000 001 seconden) te voorspellen - met rekentijden van enkele maanden. De nieuwe methode maakt gebruik van kunstmatige intelligentie om over langere perioden te simuleren, in het bereik van één nanoseconde (1, 000 picoseconden), met aanzienlijk minder rekentijd.
Neurale netwerken leren
In hun aanpak de onderzoekers gebruiken kunstmatige neurale netwerken, dat wil zeggen wiskundige modellen die de werking van onze hersenen nabootsen. "We leren ons neuronale netwerk de complexe kwantummechanische relaties door vooraf een paar berekeningen uit te voeren en de kennis door te geven aan het neurale netwerk, " zegt auteur van de eerste studie en uni:docs fellow, Julia Westermayr van het Instituut voor Theoretische Chemie. Op basis van zijn kennis, de zelflerende neurale netwerken kunnen dan sneller voorspellen wat er gaat gebeuren.
Als onderdeel van de studie, de onderzoekers voerden fotodynamische simulaties uit van een testmolecuul genaamd methyleenimmoniumkation - een bouwsteen van het molecuul netvlies dat onze visuele processen mogelijk maakt. "Na twee maanden computeren, we konden de reactie gedurende één nanoseconde reproduceren; gebaseerd op eerdere methoden, de simulatie zou ongeveer 19 jaar hebben geduurd, ", zegt promovendus Julia Westermayr.
Een proof of concept
In het nanoseconde bereik, de meeste fotochemische processen vinden plaats:"Met onze strategie, we gaan een nieuwe dimensie van voorspelling binnen. In principe, de benadering die we presenteren kan worden toegepast op een breed scala aan kleinere moleculen, inclusief DNA-bouwstenen en aminozuren, " zegt Philipp Marquetand.
In de volgende stap, de onderzoekers willen met hun methode het aminozuur tyrosine beschrijven. Tyrosine komt voor in de meeste eiwitten, en er wordt vermoed dat het blindheid en huidveroudering bevordert na beschadiging onder invloed van licht. Volgens de auteurs van de studie, de gepresenteerde strategie in het algemeen zou in alle opzichten betere voorspellingen van lichtgestuurde processen kunnen bevorderen, inclusief materiaalveroudering en lichtgevoelige medicijnen.
Wetenschap © https://nl.scienceaq.com