برنامه یادگیری ماشین برای بازی ها به توسعه الگوریتم برای مدل سازی مولکولی کمک می کند

برنامه های یادگیری ماشینی راه را برای چندین مرز تحقیقاتی و توسعه هموار کرده اند. این برنامه‌ها با یادگیری تکنیک‌ها و مهارت‌های جدید با استفاده از روش‌های آزمون و خطا، به روشی مشابه انسان عمل می‌کنند. این فرآیند شامل تکرارها و آموزش مجدد است، جایی که بخش خوب برای استفاده در آینده انتخاب می شود و از نتایج بد اجتناب می شود. بر اساس یادگیری تقویتی، دانشمندان در آزمایشگاه ملی آرگون (DOE) وزارت انرژی ایالات متحده الگوریتمی را توسعه داده اند که به مدل سازی خواص مواد در سطح اتمی و مولکولی کمک می کند.

در مقاله ای در ژانویه ۲۰۲۲ منتشر شده در ارتباطات طبیعت، دانشمندان در مرکز Argonne مواد در مقیاس نانو در DOE در مورد توسعه یک الگوریتم یادگیری تقویتی که می تواند به سرعت بخشیدن به روند کشف مواد کمک کند، توضیحاتی ارائه کرد. از طریق الگوریتم یادگیری ماشین، تیم قصد دارد زمان کشف را کاهش دهد و در عین حال داده هایی با کیفیت بالاتر ارائه دهد.

“الهام بخش ما AlphaGo بود،” گفت سوکریتی ماننا، یک دستیار تحقیقاتی در مرکز مواد نانومقیاس Argonne (CNM)، افزود: «این اولین برنامه کامپیوتری برای شکست یک بازیکن قهرمان جهان Go.”

برای آزمایش الگوریتم، تیم با ۵۴ عنصر آزمایش کرد. در جدول تناوبی این الگوریتم محاسبه میدان‌های نیروی خوشه‌های نانومتری را برای هر عنصر آموخت و در مدت زمان رکورد نمایش موفقیت‌آمیزی ارائه داد. محاسبات تجربی نیز بر روی آلیاژهای دو عنصر تکرار شد. پیچیدگی این نانوخوشه‌ها، استفاده از روش‌های سنتی برای مدل‌سازی دقیق آن‌ها را برای دانشمندان دشوار می‌کند.

«این چیزی شبیه به تکمیل محاسبات برای چندین دوره دکتری است. روهیت باترا، کارشناس CNM در زمینه ابزارهای مبتنی بر داده و یادگیری ماشین، گفت: پایان‌نامه‌ها به جای سال‌ها در عرض چند روز انجام می‌شوند. تروی لوفلر، شیمیدان محاسباتی و نظری در CNM، معتقد است که این الگوریتم باید به محققان در مقابله با چالش‌های بزرگ در بسیاری از زمینه‌های علم مواد کمک کند.

پیش از این، بسیاری از الگوریتم‌های مبتنی بر هوش مصنوعی طراحی شده‌اند که از تقویت استفاده می‌کنند. یادگیری. این الگوریتم‌ها به انجام بازی‌هایی مانند شطرنج و Go کمک می‌کنند، سنتز شیمیایی را خودکار می‌کنند، و حتی برای کشف دارو استفاده می‌شوند.