Un 'ecosistema' di strumenti per potenziare il machine learning

Oct 24, 2023

Rapporto del 24 marzo 2023

Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:

verificato

pubblicazione sottoposta a revisione paritaria

fonte attendibile

correggere le bozze

di Bob Yirka, Phys.org

Un team di chimici e informatici del Politecnico federale di Losanna, dell’Università della California e dell’Institut des Sciences et Ingenierie Chimiques, Ecole, ha sviluppato un ecosistema di strumenti per potenziare la progettazione basata sull’apprendimento automatico di strutture metallo-organiche.

Nel loro studio, riportato sulla rivista ACS Central Science, Kevin Maik Jablonka, Andrew Rosen, Aditi Krishnapriyan e Berend Smit hanno codificato strumenti per convertire i dati in input di apprendimento automatico per creare un sistema per potenziare i framework di apprendimento automatico.

La chimica reticolare è la scienza che si occupa di progettare e sintetizzare materiali cristallini porosi con determinate strutture e proprietà predefinite (elementi costitutivi). Questi materiali, noti come strutture metallo-organiche (MOF), trovano applicazioni nello stoccaggio, nella separazione, nella catalisi, nel rilevamento e nella somministrazione di farmaci del gas.

Sfortunatamente, la scoperta e l’ottimizzazione di nuovi MOF si basa ancora in gran parte su esperimenti per tentativi ed errori, che richiedono molto tempo e sono costosi. Per accelerare lo sviluppo della chimica reticolare, alcuni membri dell’attuale team hanno creato un pacchetto di applicazioni chiamato Mofdscribe e lo hanno rilasciato per l’uso da parte del grande pubblico nel 2022.

Da quel momento, Mofdscribe è stato utilizzato da molti chimici per aiutarli a creare MOF distinti. L'attuale team ha tuttavia riconosciuto che Mofdscribe presentava alcune limitazioni e ha deciso di creare un sistema più utile.

A tal fine, i ricercatori hanno creato un codice che ha consentito di integrare la modellazione computazionale, l’apprendimento automatico, il data mining e lo screening ad alto rendimento. Hanno anche risolto un problema che riguardava i dati utilizzati per addestrare gli algoritmi di apprendimento automatico che penetravano nei set di test. Uno dei loro obiettivi, notano, era quello di creare strumenti di analisi dei set di dati di cui i ricercatori non hanno ancora bisogno, ma che probabilmente prima o poi lo saranno. Ciò, suggeriscono, dovrebbe aiutare a confrontare le differenze di prestazioni tra i sistemi di apprendimento automatico.

Il risultato è stato quello che il team descrive come un “ecosistema”, un ambiente in cui i chimici potevano andare a elaborare nuovi approcci di apprendimento automatico per creare MOF con le funzioni e le proprietà desiderate. Notano che consente anche di identificare nuovi percorsi sintetici e condizioni di reazione.

Il gruppo di ricerca rileva inoltre che il nuovo ecosistema faciliterà la condivisione e il riutilizzo di dati e conoscenze tra i ricercatori nel campo della chimica reticolare, che secondo loro favorirà la collaborazione e l’innovazione.

Maggiori informazioni: Kevin Maik Jablonka et al, Un ecosistema per la chimica reticolare digitale, ACS Central Science (2023). DOI: 10.1021/acscentsci.2c01177

Informazioni sul diario:ACS Scienza Centrale

© 2023 Rete Scienza X