Page 6 - CHEMLIFE 37

6 CHEMLIFE KIMYA VE TEKNOLOJILERI GAZETESI BILIMSEL GELIŞMELER

MAKİNE ÖĞRENİMİ

MODELLERİ VE MOLEKÜLER

REAKTİVİTE

KİMYASAL YAPININ MOLEKÜLLERİN TEMEL ÖZELLİKLERİNİ NASIL
BELİRLEDİĞİNİ KENDİLERİNE ÖĞRETEBİLEN BİLGİSAYARLAR YARATMAK

VE DAHA SONRA BU BİLGİYİ YENİ MOLEKÜLLERİN ÖZELLİKLERİNİ
TAHMİN ETMEK İÇİN KULLANMAK, DAHA TEMİZ ENERJİ VE ENDÜSTRİYEL
SİSTEMLER TASARLAMAYA YARDIMCI OLABİLİR.

KAUST (King Abdullah Uni- yasal reaktörlerin geliştirilmesi yüksek doğrulukta ancak ya- iyi tahminler aldık" diyor.
versity of Science and Tech- ve optimizasyonu için önemli- vaş kuantum kimyası hesapla-
nology) araştırmacıları, hidro- dir. Kinetik mekanizma model- maları kullanılarak hesaplanan Sarathy; "Sonuçlar, makine
karbon moleküllerinin yapısını lemesi için gerekli olan büyük oluşum verilerinin entalpisini öğreniminin bu alanda giderek
analiz edebilen ve oluşum termodinamik veri kümelerini almanın ve ardından çok daha daha önemli bir araç haline
entalpisi adı verilen bir özel- oluşturmak, tipik olarak sınırlı geniş bir molekül yelpazesine geleceğini gösteriyor. Mole-
liği doğru bir şekilde tahmin doğruluğu olan grup toplama- ekstrapole etmenin bir yolunu küler tanımlayıcılardan önemli
edebilen bir makine öğrenme lılığı adı verilen bir yaklaşım sunar. termodinamik özellikleri doğru
modeli geliştirdiler. Geliştiri- kullanır” diyor. bir şekilde tahmin etme yete-
len model geleneksel yakla- Makine öğrenimi programı, neği, daha karmaşık kimyasal
şımlardan daha iyi tahminler Bu yüzden Yalamanchi ve molekül yapılarının bir "eği- fenomeni tahmin etmek için
yapıyor ve doğruluğu, modelin Sarathy, soruna makine öğre- tim" veri kümesini ve bunların tam otomatik algoritmalar
öğrenmesi için daha fazla veri nimini uygulamak için KAUST oluşum entalpilerini analiz etti. geliştirmeye yönelik önemli
toplandıkça iyileşebilir. bilgisayar bilimcisi Xin Gao'ya Daha sonra, daha önce görme- bir adımdır. Ekibimiz artık
başvurdu. Yalamanchi, "İlk diği moleküllerin oluşum ental- makine öğrenimi modellerinin
Araştırma ekibinden Kiran çalışmamız çok umut verici pisini tahmin etmek için tespit eğitim veri setini genişletmek
Yalamanchi; "Oluşum entalpisi sonuçlar verdi. Bu potansiyel, ettiği modelleri kullandı. için yüksek doğrulukta ku-
gibi moleküler özellikler hak- termodinamik veriler üreterek antum kimyası hesaplamaları
kındaki veriler, kimyasal re- yakınsayan makine öğrenimine Makine öğreniminin gelenek- çalıştırıyor. Bu şekilde, birçok
aksiyonların kinetik mekaniz- doğru ilerlememize yardımcı sel grup toplama yaklaşımın- fiziksel-kimyasal özelliğin daha
malarını veya enerji akışlarını oldu" dedi. dan çok daha doğru olduğu doğru tahminleri için hibrit
modelleyen mühendisler için kanıtlandı. Yalamanchi, "Ma- bir birinci prensip yapay zekâ
gereklidir. Hidrokarbon yakıt- Makine öğrenimi, deneysel kine öğrenme yöntemlerini çerçevesi geliştiriyoruz" diyor.
lar için kinetik mekanizmalar, olarak ölçülen veya az sayıda kullanarak kimyasal türlerin
motor tasarımlarının ve kim- molekül için hesaplanan veya oluşum entalpisine ilişkin daha