Um 'ecossistema' de ferramentas para impulsionar o aprendizado de máquina

Oct 24, 2023

Relatório de 24 de março de 2023

Este artigo foi revisado de acordo com o processo editorial e as políticas da Science X. Os editores destacaram os seguintes atributos, garantindo a credibilidade do conteúdo:

verificado

publicação revisada por pares

fonte confiável

revisar

por Bob Yirka, Phys.org

Uma equipe de químicos e cientistas da computação do Instituto Federal Suíço de Tecnologia de Lausanne, da Universidade da Califórnia e do Institut des Sciences et Ingenierie Chimiques, Ecole, desenvolveram um ecossistema de ferramentas para impulsionar o design baseado em aprendizado de máquina de estruturas metal-orgânicas.

Em seu estudo, relatado na revista ACS Central Science, Kevin Maik Jablonka, Andrew Rosen, Aditi Krishnapriyan e Berend Smit codificaram ferramentas para converter dados em entradas de aprendizado de máquina para criar um sistema para impulsionar estruturas de aprendizado de máquina.

A química reticular é a ciência de projetar e sintetizar materiais cristalinos porosos com certas estruturas e propriedades predefinidas (blocos de construção). Esses materiais, conhecidos como estruturas metal-orgânicas (MOFs), têm aplicações em armazenamento de gás, separação, catálise, detecção e administração de medicamentos.

Infelizmente, a descoberta e otimização de novos MOFs ainda é amplamente baseada em experimentos de tentativa e erro, que são demorados e caros. Para acelerar o desenvolvimento da química reticular, alguns dos membros da equipe atual criaram um pacote de aplicativos chamado Mofdscribe e o liberaram para uso do público em geral em 2022.

Desde aquela época, o Mofdscribe tem sido usado por muitos químicos para ajudá-los a criar MOFs distintos. No entanto, a equipe atual reconheceu que o Mofdscribe tinha algumas limitações e decidiu criar um sistema mais útil.

Para isso, os pesquisadores criaram um código que permitia integrar modelagem computacional, aprendizado de máquina, mineração de dados e triagem de alto rendimento. Eles também resolveram um problema que envolvia os dados usados ​​para treinar algoritmos de aprendizado de máquina vazando em conjuntos de teste. Um de seus objetivos, eles observam, era criar ferramentas de análise de conjuntos de dados que os pesquisadores ainda não precisam, mas provavelmente precisarão em algum momento. Isso, eles sugerem, deve ajudar a comparar as diferenças de desempenho entre os sistemas de aprendizado de máquina.

O resultado foi o que a equipe descreve como um "ecossistema" - um ambiente onde os químicos poderiam trabalhar em novas abordagens de aprendizado de máquina para criar MOFs com as funções e propriedades desejadas. Eles observam que também permite identificar novas rotas sintéticas e condições de reação.

A equipe de pesquisa também observa que o novo ecossistema facilitará o compartilhamento e a reutilização de dados e conhecimento entre pesquisadores no campo da química reticular, o que eles acreditam que promoverá a colaboração e a inovação.

Mais Informações: Kevin Maik Jablonka et al, Um Ecossistema para Química Reticular Digital, ACS Central Science (2023). DOI: 10.1021/acscentsci.2c01177

Informações do jornal:ACS Ciência Central

© 2023 Science X Network