วิธีการทำความเข้าใจอย่างถ่องแท้สอนลักษณะของระบบประสาทสำหรับเพื่อการ ‘ทำอีกครั้ง’ แบบ retrosynthesis

นักเคมีอินทรีย์ชอบทำงานย้อนไปจากโมเลกุลจุดหมายไปจนกระทั่งสิ่งของเริ่มโดยใช้วิธีการที่เรียกว่าการพินิจพิจารณาแบบ Retrosynthetic ในระหว่างวิธีการนี้นักเคมีจำเป็นต้องพบเจอกับการตัดสินใจที่สลับซับซ้อนและก็เกี่ยวข้องกัน ดังเช่นจากปฏิกิริยาทางเคมีที่ต่างกันหลายหมื่นอย่างคุณควรจะเลือกสร้างโมเลกุลวัตถุประสงค์แบบไหน? เมื่อตกลงใจแล้วคุณอาจพบว่ามีโมเลกุลของสารขึ้นต้นหลายตัวที่จำเป็นจะต้องสำหรับเพื่อการทำปฏิกิริยา ถ้าโมเลกุลพวกนี้ไม่อาจจะซื้อได้คุณจะเลือกปฏิกิริยาที่สมควรสำหรับเพื่อการผลิตได้ยังไง การเลือกอย่างชาญฉลาดว่าจะทำยังไงในแต่ละขั้นตอนของวิธีการนี้เป็นเรื่องสำคัญสำหรับเพื่อการนำทางที่เป็นได้มากไม่น้อยเลยทีเดียว

นักค้นคว้าที่ Columbia Engineering ได้ปรับปรุงเคล็ดวิธีใหม่บนรากฐานของการเล่าเรียนการเสริมแรงที่ฝึกหัดแบบอย่างเครือข่ายประสาทเทียมเพื่อเลือกปฏิกิริยาที่ “ยอดเยี่ยม” ในแต่ละขั้นตอนของกรรมวิธีการ retrosynthetic ลักษณะของ AI นี้เป็นกรอบสำหรับนักค้นคว้าสำหรับเพื่อการดีไซน์การสังเคราะห์สารเคมีที่ปรับให้เหมาะสมกับเป้าหมายที่ผู้ใช้กำหนดยกตัวอย่างเช่นค่าใช้สอยสำหรับในการสังเคราะห์ความปลอดภัยแล้วก็ความทนทาน กรรมวิธีการใหม่ที่เผยแพร่ช่วงวันที่ 31 เดือนพฤษภาคมโดย ACS Central Science บรรลุผลสำเร็จมากยิ่งกว่า (ราวๆ 60%) มากยิ่งกว่ากลอุบายที่มีอยู่สำหรับเพื่อการจัดการกับปัญหาการค้นหาที่ท้านี้

“การเล่าเรียนการเสริมแรงได้สร้างผู้เล่นคอมพิวเตอร์ที่ดีมากยิ่งกว่ามนุษย์อย่างยิ่งสำหรับในการเล่นวิดีโอเกมที่สลับซับซ้อนบางคราวการ retrosynthesis ก็ไม่ได้มีความแตกต่างกันการเรียนคราวนี้ทำให้พวกเรามีหวังว่าการทำความเข้าใจการเสริมแรงบางครั้งก็อาจจะดียิ่งกว่า retrosynthesis “Alán Aspuru-Guzik ศ.จ.วิทยาศาสตร์เคมีและก็วิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยโตรอนโตซึ่งมิได้เกี่ยวโยงกับการเล่าเรียนกล่าว

กลุ่มได้วางกรอบความท้าสำหรับการวางแผนเล่น retrosynthetic เสมือนเกมหมากรุกแล้วก็เกม Go ที่ซึ่งปริมาณตัวเลือกที่เป็นได้เป็นทางดาราศาสตร์แล้วก็ค่าของตัวเลือกแต่ละตัวมีความไม่เที่ยงกระทั่งแนวทางสังเคราะห์จะเสร็จสิ้นแล้วก็คิดราคา ซึ่งต่างจากการเล่าเรียนก่อนหน้านี้ที่ผ่านมาที่ใช้ฟังก์ชั่นการให้แต้มฮิวริสติก – กฎกล้วยๆของนิ้วโป้งมือ – เพื่อเป็นแถวทางในการวางเป้าหมายการ retrosynthetic การเรียนรู้ใหม่นี้ใช้วิธีการทำความเข้าใจการเสริมแรง

“ พวกเราเป็นคนแรกที่ปรับใช้การเล่าเรียนเสริมกับปัญหาของการวิเคราะห์ย้อนกลับมา”ไคล์บิชอปรศ.ด้านวิศวกรรมเคมีกล่าว “เริ่มจากสถานะของความไม่รู้ที่บริบูรณ์ซึ่งตัวแบบไม่เคยทราบอะไรเลยเกี่ยวกับวิธีการและก็ใช้ปฏิกิริยาแบบสุ่มโมเดลสามารถฝึกซ้อมแล้วก็ฝึกหัดตราบจนกระทั่งจะเจอกลอุบายที่มีคุณภาพสูงยิ่งกว่าฮิวริสติกที่มนุษย์กำหนดไว้”

ในการศึกษาเรียนรู้ของพวกเขาคณะทำงานของบิชอปมุ่งย้ำไปที่การใช้ปริมาณกระบวนการสนองตอบสำหรับการวัดสิ่งที่ทำให้ทางสังเคราะห์ “ดี” พวกเขามีโมเดลการเรียนเสริมแรงที่ปรับกลอุบายให้สอดคล้องกับจุดหมายนี้ ด้วยการใช้ประสบการณ์เลียนแบบกลุ่มได้ฝึกซ้อมเครือข่ายประสาทเทียมของแบบจำลองเพื่อประมาณคุณค่าการสังเคราะห์หรือค่าของโมเลกุลที่ระบุตามการแสดงส่วนประกอบโมเลกุลของมัน

กลุ่มคิดแผนที่จะตรวจแผนการที่แตกต่างกันในอนาคตเช่นการฝึกอบรมแบบจำลองเพื่อลดเงินลงทุนมากยิ่งกว่าปริมาณปฏิกิริยาหรือเพื่อเลี่ยงโมเลกุลที่บางทีอาจเป็นพิษ นักค้นคว้ายังบากบั่นลดปริมาณการเลียนแบบที่ต้องสำหรับแบบจำลองเพื่อศึกษาวิธีการเพราะเหตุว่าขั้นตอนการฝึกหัดแพงแพงมากมาย

“ พวกเรามุ่งมาดว่าเกม retrosynthesis ของพวกเราจะไปตามทางของหมากรุกและก็Go เร็วนี้ๆซึ่งอัลกอริทึมที่ศึกษาด้วยตัวเองนั้นมีคุณภาพสูงขึ้นยิ่งกว่าผู้ชำนาญของผู้คนโดยตลอด” Bishop กล่าว “ และก็พวกเรายินดีต้อนรับการประลองเหมือนกันกับซอฟต์แวร์ที่เล่นหมากรุกการแข่งขันชิงชัยเป็นวัสดุสำหรับในการแก้ไขในสถานะของศิลป์รวมทั้งพวกเราหวังว่าผู้อื่นสามารถสร้างผลงานของพวกเราเพื่อบ่งบอกถึงถึงคุณภาพที่ดีขึ้น”