Ula Çrobak, SLAC Milli Akselerator Laboratoriyası tərəfindən

redaktə edən: Gaby Clark , rəy verən: Robert Egan

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Kredit: SLAC Milli Akselerator Laboratoriyası

Enerji Departamentinin SLAC Milli Sürətləndirici Laboratoriyasının tədqiqatçıları və əməkdaşlıq edən qurumlar bu yaxınlarda rentgen şüaları ilə parçalandıqdan sonra molekulun ionlarının hərəkətindən molekulyar strukturları yenidən yarada bilən generativ süni intellekt modeli yaratdılar. Bu üsula Kulon partlayış görüntüləməsi deyilir.

“Nature Communications” jurnalında dərc olunmuş bu tədqiqat , kimyəvi reaksiyalar zamanı molekulların anlıq görüntülərini çəkmək üçün atılmış vacib bir addımdır – bu, tibbdə və sənayedə mühüm təsirlərə səbəb ola biləcək bir irəliləyişdir. Maşın öyrənmə modeli, on atomdan az olan müxtəlif molekulların həndəsələrini dəqiq şəkildə proqnozlaşdırdı və bu da texnikanın daha böyük molekullara tətbiqi üçün yol açdı.

SLAC-ın Linac Coherent Light Source (LCLS) şirkətinin dosenti və tədqiqatın aparıcı müəllifi Xiang Li bildirib ki, “Bu, Kulon partlayış görüntüləməsindən molekulyar strukturun yenidən qurulması üçün qurulmuş ilk süni intellekt modelidir.”

Molekulları görməyin yeni bir yolu

Hazırda təcrid olunmuş qaz fazalı molekulların görüntülənməsi üçün məhdud seçimlər mövcuddur. Məsələn, elektron mikroskopiyası ilə obyektlər yerində sabit olmalıdır ki, bu da sərbəst üzən molekulların görüntüsünü mümkünsüz edir. Difraksiya əsaslı texnikaların işləməsi üçün molekul nümunəsi detektorda güclü siqnal yaratmaq üçün kifayət qədər sıx olmalıdır. Nəticədə əldə edilən görüntü texniki olaraq bir çox molekulun ortalamasıdır və bu da tədqiqatçıların yalnız təcrid olunmuş molekulların görüntüsü zamanı görünən detalları öyrənməsini məhdudlaşdırır.

Məqalədə tədqiqatçılar bunun əvəzinə Kulon partlayış görüntüləməsinə diqqət yetiriblər. Bu texnikada rentgen impulsu vakuum kamerasındakı tək bir molekula dəyir və molekulun elektronlarını qoparır. Bu, partlayıcı şəkildə bir-birindən uzaqlaşaraq detektora çırpılan müsbət ionlar buraxır. Detektor onların impulsunu ələ keçirir və bu da molekulun strukturunu yenidən qurmaq üçün istifadə edilə bilər.

“Bu texnika kimyəvi cəhətdən əhəmiyyətli olan kiçik detalları təcrid etmək qabiliyyətinə malikdir”, – deyə LCLS-in elm, tədqiqat və inkişaf üzrə müvəqqəti direktor müavini, SLAC-da foton elmi üzrə dosent və məqalənin həmmüəllifi Ceyms Krayan bildirib.

Lakin bu yenidənqurma prosesi hesablama məhdudiyyətləri səbəbindən indiyə qədər əsasən mümkün olmayıb. Rentgen impulsu elektronları ayırdıqdan sonra qalan ionlar dərhal partlamır. Bu qısa gecikmə zamanı atomlar bir qədər yerdəyişmə edə bilər və bu da elektrostatik qüvvələr üçün Kulon qanunundan istifadə edərək orijinal strukturu yenidən qurmağı çətinləşdirir. “Bu, dəqiq olmayacaq, çünki bu qanunun sadə istifadəsi yalnız doldurma prosesi ani olduqda işləyir”, – deyə Li izah etdi.

Molekuldakı hər əlavə atom, işləri daha da qarışıq hala gətirərək, eksponensial mürəkkəblik səviyyəsini artırır. DOE-nin Argonne Milli Laboratoriyasının fiziklərindən olan həmmüəllif Fay Ho bildirib ki, “Orijinal quruluşu əldə etmək üçün geri işləmək çox çətindir. Bu, bir növ şüşəni sındırıb parçaların necə uçduğundan onu yenidən birləşdirməyə çalışmaq kimidir. Müasir fizika və kimya sahəsindəki bir çox problem dolayı ölçmələrdən gizli strukturların yenidən qurulmasını əhatə edir. Bu əsər süni intellektinin bu cür tərs problemlərin həllinə necə kömək edə biləcəyini nümayiş etdirir.”

Molekulyar strukturlar üçün maşın öyrənməsi

Tədqiqat qrupu bu hesablama məhdudiyyətini aradan qaldıra biləcək bir maşın öyrənmə modeli qurmağa başladı. Onlar modeli SLAC-ın Paylaşılan Elm Məlumatları Qurğusunda (S3DF) hazırladılar və təlim keçdilər. Generativ süni intellekt modelləri bu tapşırıq üçün çox uyğundur, çünki onlar standart kompüter simulyasiyasından fərqli şəkildə “düşünürlər”. Bir sıra tənliklər üzərində işləmək əvəzinə, təlim məlumatlarında nümunələr tapmaqla öyrənirlər. Daha sonra statistik proqnozlar vermək üçün bu nümunələrdən istifadə edirlər.

Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklərdən xəbərdar olun .

Təlim məlumatları toplamaq üçün komanda Ho tərəfindən qurulmuş simulyasiyaya müraciət etdi. Simulyasiya molekulyar strukturları təhlil edir və Kulon partlayışından sonra onların ionlarının impulsunu hesablayır. Bir aydan çox davam etdikdən sonra həm kvant mexanikasından , həm də klassik fizika tənliklərindən istifadə edərək hesablama intensivliyi olan simulyasiya 76.000 molekulyar nümunədən ibarət məlumat dəsti yaratdı.

Əvvəlcə tədqiqatçılar süni intellekt standartlarına görə kiçik olan bu məlumat dəsti üzərində süni intellekt təlimi keçirdilər və modelin partlayış məlumatlarından qeyri-dəqiq strukturları proqnozlaşdırdığını aşkar etdilər. Beləliklə, onlar təlimi yenidən keçirdilər və yalnız klassik fizikadan istifadə edərək əldə edilən başqa bir məlumat dəsti əlavə etdilər. İkinci dəst daha az dəqiq idi, lakin birincisindən təxminən 100 dəfə böyük idi.

Bu iki mərhələli təlim dəqiq strukturları proqnozlaşdırmaq üçün hiylə idi.

Tədqiqatçılar süni intellekt modelini təlimdə görmədiyi simulyasiya məlumatlarının bir hissəsində molekulyar strukturları proqnozlaşdırmağa sövq etməklə sınaqdan keçirdilər. Komandanın MOLEXA (“Coulomb partlayış görüntüləməsindən molekulyar strukturun yenidən qurulması” üçün qısaldılmış) adlandırdığı model ion momentini götürdü və ən çox ehtimal olunan strukturları hesabladı. Li dedi: “Biz bu iki mərhələli təlim prosesinin proqnozlaşdırma səhvini iki dəfə azaltdığını aşkar etdik”.

Daha sonra komanda Almaniyadakı Avropa X-şüalı Sərbəst Elektron Lazer Müəssisəsinin (Avropa XFEL) Kiçik Kvant Sistemləri (SQS) cihazında qeydə alınmış eksperimental məlumat dəstləri ilə MOLEXA-nı sınaqdan keçirdi. Test etdikləri molekullar su, tetrafluorometan və etanoldan ibarət idi. Onlar eksperimental ion momentini modelə daxil etdilər, molekulyar strukturları yenidən qurdular və sonra rekonstruksiyaları Milli Standartlar və Texnologiya İnstitutu tərəfindən sadalanan məlum strukturlarla müqayisə etdilər.

Onlar proqnozların əsasən müəyyən edilmiş strukturlarla üst-üstə düşdüyünü aşkar etdilər. Ümumilikdə, rabitələr düzgün nöqtələrdə idi və bucaqlarında yalnız kiçik dəyişikliklər olurdu. Mövqedəki səhvlər ümumiyyətlə tipik kimyəvi rabitənin uzunluğunun yarısından az idi. Li əlavə etdi: “Model, əslində, əksər hallarda bundan daha yaxşı nəticə göstərir. Bu, gələcək tədqiqatlar üçün yalnız başlanğıc nöqtəsidir və bu, yalnız model dəqiqliyini artırmayacaq, həm də onun daha böyük molekulyar sistemlərə tətbiqini genişləndirəcək.”

Daha böyük molekullara və kimyəvi reaksiyalara genişlənmə

Krayan bildirib ki, bu məqalə uzun müddətdir ki, eksperimental ölçmələrdən molekulyar strukturların yenidən qurulması çətinliyi ilə məhdudlaşan Kulon partlayış görüntüləməsinin inkişafında böyük bir addımdır. Gələcək işlərdə tədqiqatçılar maşın öyrənmə modelinin yenidən birləşdirə biləcəyi atomların sayını artırmağı və modeli LCLS və Avropa XFEL-də zamanla həll olunan təcrübələrə tətbiq etməyi planlaşdırırlar . Bu, tədqiqatçılara hərəkətdə olan molekulların anlıq görüntülərini yenidən qurmağa, kimyəvi reaksiyaların necə baş verdiyini anlayan flipbuk kimi molekulyar filmlər yaratmağa kömək edəcək. Krayan bildirib ki, bu, həmçinin SLAC-ın superkeçirici rentgen lazeri tərəfindən ötürülən yüksək rentgen impuls sürətlərində toplanan məlumatların şərhinə kömək edəcək.

Komanda hazırda modelin natamam məlumatlardan molekulları yenidən qurmaq qabiliyyətini də sınaqdan keçirir. Çox vaxt detektor Kulon partlayışında əmələ gələn bir ionu qaçırır. Li, məsələn, bilmək istəyir: Süni intellekt, hidrogen ionlarından biri və ya daha çoxu detektorda qeydə alınmadığı təqdirdə, etanol molekulunu yenidən qura bilərmi?

Əgər bu çətinliklər həll olunarsa, texnika biologiya və kimya tədqiqatlarında daha tətbiq oluna bilər. Məsələn, zülallar minlərlə atomdan ibarət ola bilər. “Əsl məqsəd budur”, – deyə Li bildirib. “Biz daha çox bioloji və ya sənaye baxımından əhəmiyyətli olan sistemləri öyrənə biləcəyik.”