Maskinlæring tilbyder en ny måde at designe kirale krystaller på

Ingeniører og kemikere ved Hiroshima University har med succes brugt teknologien bag ansigtsgenkendelse til at designe kirale krystaller. Dette er den første undersøgelse, der rapporterer brugen af ​​denne teknologi, kaldet logistisk regressionsanalyse, at forudsige hvilke kemiske grupper der er bedst til at lave chirale molekyler. Resultaterne blev offentliggjort i Kemibreve .

Kiralitet beskriver kvaliteten af ​​at have et spejlbillede til noget andet, men uden evnen til at overlejre det. Din venstre fod, for eksempel, er et spejl af din højre side. De ligner hinanden, men de er ikke ens. Det er derfor, du ikke kan bære en venstre sko på din højre fod.

Ideen ligner i kemi. To molekyler kan have samme sammensætning af grundstoffer, men deres geometri kan variere. En venstrehåndet chiral helix kan have en tilsvarende højrehåndet helix.

Imidlertid, at lave et spejlbillede af et chiralt molekyle er mere kompliceret end blot at omarrangere nogle bindinger. Et ekstra lag af kompleksitet opstår, når man laver en krystal, en højt ordnet række af atomer eller molekyler, der kan strække sig i tre dimensioner.

"Den sværeste del af at lave en chiral krystal, "Den primære forfatter Katsuya Inoue sagde, "er at vide, hvordan man designer dem." Inoue er forsker ved Graduate School of Engineering ved Hiroshima University (HU).

Ifølge Inoue, det er svært at blande forskellige atomer, så deres chirale geometri sameksisterer i en enkelt krystal. Alene, to typer atomer vil gerne danne bindinger med de samme vinkler. Når det kombineres, selvom, de må ikke.

Holdet analyserede 686 chirale krystaller og 1000 achirale krystaller fra den uorganiske krystalstrukturdatabase. Ved at bruge logistisk regression, Inoues team har designet en model, der viser den bedste måde at designe kirale krystaller på.

De beregnede, hvilke kemiske grupper i det periodiske system, der har grundstoffer, der er mere tilbøjelige til at eksistere side om side i en chiral krystal. De grupper, der svarer til kulstof, nitrogen, og ilt var bedst - eller gruppetal 14, 15, og 16, henholdsvis.

Logistisk regression er en statistisk metode, der kan adskille to objekter. Eri Shimono, medforfatter og forskningsassistent i Institut for Kemi og Kiralitetsforskningscenter ved HU, sammenlignet med brug i smartphones.

"I ansigtsgenkendelse, smartphones bruger maskinlæring til at klassificere ansigter og ting, der ikke er ansigter, " sagde Shimono. "Vi kan træne vores model til at opdage chirale og ikke-kirale muligheder. I dette tilfælde, selvom, inputtet er ikke et billede. Det er information. "

Fremadrettet, holdet finjusterer forudsigelsesmodellen på to måder. Først, de ønsker at redegøre for flere atomer i en krystal. "Vi startede fra to atomer. I virkeligheden selvom, mange krystaller er lavet med tre eller fire, "Inoue sagde." Vi er nødt til at udvide denne model, så den passer til disse sager. "

Sekund, de anvender dyb læring. Den nuværende model, som bruger grundlæggende maskinlæring, er lavet ud fra eksisterende data. Dyb læring ville lade forskere klassificere nye data som chirale eller ej. Ud fra disse resultater, holdet planlægger at begynde at skabe nogle forudsagte krystaller og undersøge, hvordan man bygger en chiral magnet ud fra dem.