Den næste fase:Brug af neurale netværk til at identificere gasfasemolekyler

Forskere ved U.S. Department of Energy's (DOE) Argonne National Laboratory er begyndt at bruge neurale netværk til at identificere de strukturelle signaturer af molekylære gasser, potentielt leverer nye og mere nøjagtige sanseteknikker til forskere, forsvarsindustrien og lægemiddelproducenter.

Dette banebrydende arbejde er blevet anerkendt som en finalist for en 2018 R&D 100 præmie.

"Det betyder, at når du er i en lufthavn og kører en sikkerhedstest på et uidentificeret kemikalie, eller hvis du er en lægemiddelproducent, der scanner din prøve for urenheder, du kan køre så mange flere af disse tests præcist i en meget kortere periode." - Daniel Zaleski, Argonne postdoc

Neurale netværk - så navngivet, fordi de fungerer på en indbyrdes forbundne måde, der ligner vores hjerner - tilbyder kemikere en stor mulighed for hurtigere og mere stringent videnskab, fordi de giver en måde, hvorpå maskiner er i stand til at lære og endda træffe beslutninger om data. For at være effektiv, selvom, de skal undervises omhyggeligt. Derfor kaldes dette forskningsområde for machine learning.

"Sig, at du ville lære en computer at genkende en kat, " sagde Argonne-kemiker Kirill Prozument. "Du kan prøve at forklare en computer, hvad en kat er ved at bruge en algoritme, eller du kan vise det fem tusind forskellige billeder af katte."

Men i stedet for at se på katte, Prozument og tidligere Argonne postdoc-forsker Daniel Zaleski ønskede at identificere strukturen af ​​gasfasemolekyler. For at gøre det, de brugte molekylernes rotationsspektre.

Forskere bestemmer et molekyles rotationsspektre ved at observere, hvordan molekylet interagerer med elektromagnetiske bølger. I klassisk fysik, når en bølge med en bestemt frekvens rammer et molekyle i gasfasen, det får molekylet til at rotere.

Fordi molekyler er kvanteobjekter, de har karakteristiske frekvenser, ved hvilke de absorberer og udsender energi, som er unikke for den type molekyle. Dette fingeraftryk giver forskerne en glimrende idé om mønstret af kvanteenerginiveauer for gasfasemolekyler.

"Vi er især interesserede i at se på de produkter, der er resultatet af kemiske reaktioner, " sagde Prozument. "Antag, at vi ikke ved, hvilke kemiske produkter vi har genereret, og vi ved ikke hvilke molekyler der er. Vi fejer med en millimeterbølgepuls gennem alle mulige frekvenser, men kun frekvenser, der 'ringer klokken' for molekylerne, vil blive absorberet, og kun dem vil blive genudsendt."

Zaleski kodede tusindvis af disse rotationsspektre, mærkning af hvert forskelligt spektrum for det neurale netværk. Fordelen ved at bruge et neuralt netværk er, at det kun skulle "lære" disse spektre én gang, i modsætning til hver gang en prøve blev testet.

"Det betyder, at når du er i en lufthavn og kører en sikkerhedstest på et uidentificeret kemikalie, eller hvis du er en lægemiddelproducent, der scanner din prøve for urenheder, du kan køre så mange flere af disse tests præcist i en meget kortere periode, " sagde Zaleski. Selvom disse resonanser fungerer som et filter, mængden af ​​producerede spektroskopiske data er stadig skræmmende. "At gå fra rå spektroskopiske data til faktisk kemisk information er udfordringen, " sagde Zaleski. "Dataene består af tusinder, hvis ikke titusinder af elementer - det er rodet."

Zaleski, nu assisterende professor ved Colgate University, sammenlignede søgningen efter specifikke molekylære signaturer med børnebilledbogen "Hvor er Waldo?", hvor læseren skal scanne en overfyldt scene for at finde den titulære karakter. "Waldo har en meget specifik kjole og et specifikt mønster, så du kender ham, hvis du ser ham, " sagde Zaleski. "Vores udfordring er, at hvert molekyle er som en anden version af Waldo."

Ifølge Zaleski, der er færre end 100 videnskabsmænd i verden, der er uddannet i at tildele rotationsspektre. Og selvom det kan tage op til en dag at bestemme de molekylære signaturer ved hjælp af tidligere metoder, neurale netværk reducerer behandlingstiden til mindre end et millisekund.

Det neurale netværk kører på grafikkort (GPU) som typisk bruges af videospilfællesskabet. "Indtil for et par år siden, de GPU-kort, vi bruger, eksisterede bare ikke rigtig, " sagde Zaleski. "Vi er i en fantastisk tid lige nu med hensyn til den computerteknologi, der er tilgængelig for os."

Ultimativt, Prozument og Zaleski håber at gøre deres spektroskopiske teknik så fuldautomatisk som muligt. "Vores mål er at tilbyde værktøjerne til rotationsspektroskopisk analyse til ikke-eksperter, " sagde Prozument. "Hvis du kan få spektre nøjagtigt tildelt af en maskine, der kan lære, du kan gøre hele processen meget mere bærbar og tilgængelig, da du ikke længere har brug for så meget teknisk ekspertise."

En artikel baseret på undersøgelsen, "Automatisk tildeling af rotationsspektre ved hjælp af kunstige neurale netværk, " optrådte i 13. september-udgaven af Journal of Chemical Physics .