Ein „Ökosystem“ von Tools zur Förderung des maschinellen Lernens

Oct 24, 2023

Bericht vom 24. März 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

peer-reviewte Veröffentlichung

vertrauenswürdige Quelle

Korrekturlesen

von Bob Yirka, Phys.org

Ein Team aus Chemikern und Informatikern der Eidgenössischen Technischen Hochschule Lausanne, der University of California und des Institut des Sciences et Ingenierie Chimiques, Ecole, hat ein Ökosystem von Werkzeugen entwickelt, um das auf maschinellem Lernen basierende Design metallorganischer Gerüste zu fördern.

In ihrer Studie, über die in der Zeitschrift ACS Central Science berichtet wurde, haben Kevin Maik Jablonka, Andrew Rosen, Aditi Krishnapriyan und Berend Smit Tools zur Umwandlung von Daten in Eingaben für maschinelles Lernen programmiert, um ein System zur Förderung von Frameworks für maschinelles Lernen zu schaffen.

Die retikuläre Chemie ist die Wissenschaft des Entwurfs und der Synthese poröser kristalliner Materialien mit bestimmten vordefinierten Strukturen und Eigenschaften (Bausteinen). Diese als metallorganische Gerüste (MOFs) bekannten Materialien finden Anwendung in der Gasspeicherung, Trennung, Katalyse, Sensorik und Arzneimittelabgabe.

Leider basiert die Entdeckung und Optimierung neuer MOFs immer noch weitgehend auf Versuch-und-Irrtum-Experimenten, was zeitaufwändig und kostspielig ist. Um die Entwicklung der retikulären Chemie zu beschleunigen, haben einige Mitglieder des aktuellen Teams ein Anwendungspaket namens Mofdscribe erstellt und es bereits 2022 für die breite Öffentlichkeit freigegeben.

Seitdem wird Mofdscribe von vielen Chemikern verwendet, um ihnen bei der Herstellung unterschiedlicher MOFs zu helfen. Das aktuelle Team erkannte jedoch, dass Mofdscribe einige Einschränkungen hatte, und machte sich daran, ein nützlicheres System zu entwickeln.

Zu diesem Zweck erstellten die Forscher Code, der die Integration von Computermodellierung, maschinellem Lernen, Data Mining und Hochdurchsatz-Screening ermöglichte. Sie lösten auch ein Problem, bei dem Daten, die zum Trainieren von Algorithmen für maschinelles Lernen verwendet wurden, in Testsätze gelangten. Sie stellen fest, dass eines ihrer Ziele darin bestand, Tools zur Datensatzanalyse zu entwickeln, die Forscher noch nicht benötigen, aber wahrscheinlich irgendwann benötigen. Sie schlagen vor, dass dies beim Vergleich der Leistungsunterschiede zwischen maschinellen Lernsystemen hilfreich sein sollte.

Das Ergebnis war das, was das Team als „Ökosystem“ bezeichnet – eine Umgebung, in der Chemiker neue Ansätze für maschinelles Lernen zur Herstellung von MOFs mit gewünschten Funktionen und Eigenschaften erarbeiten konnten. Sie weisen darauf hin, dass es auch die Identifizierung neuer Synthesewege und Reaktionsbedingungen ermöglicht.

Das Forschungsteam stellt außerdem fest, dass das neue Ökosystem den Austausch und die Wiederverwendung von Daten und Wissen zwischen Forschern auf dem Gebiet der retikulären Chemie erleichtern wird, was ihrer Meinung nach die Zusammenarbeit und Innovation fördern wird.

Mehr Informationen: Kevin Maik Jablonka et al., An Ecosystem for Digital Reticular Chemistry, ACS Central Science (2023). DOI: 10.1021/acscentsci.2c01177

Zeitschrifteninformationen:ACS Zentralwissenschaft

© 2023 Science X Network