API جامع
تیمی از پژوهشگران مؤسسه فناوری ماساچوست (MIT) موفق شده‌اند با توسعه یک رویکرد تازه مبتنی بر هوش مصنوعی، دقت پیش‌بینی واکنش‌های شیمیایی را به طرز چشمگیری افزایش دهند. این روش جدید که FlowER (مخفف Flow Matching for Electron Redistribution) نام دارد، با در نظر گرفتن قوانین بنیادی فیزیک مانند قانون پایستگی جرم و الکترون، توانسته بر محدودیت‌های مدل‌های زبانی بزرگ قبلی غلبه کند.
درحالی‌که پیش‌تر تلاش‌های زیادی برای استفاده از مدل‌های زبانی مانند ChatGPT در پیش‌بینی واکنش‌های شیمیایی انجام شده بود، این مدل‌ها نتوانسته بودند نتایجی با دقت فیزیکی بالا ارائه دهند. دلیل اصلی این مشکل، نادیده گرفتن مفاهیم علمی بنیادین در ساختار این مدل‌هاست؛ برای مثال، اگر مدلی به‌درستی قانون پایستگی جرم را رعایت نکند، در فرآیند شبیه‌سازی ممکن است اتم‌هایی را حذف یا اضافه کند که در دنیای واقعی امکان‌پذیر نیست.
دکتر جوونیونگ جونگ، یکی از نویسندگان این پژوهش، توضیح می‌دهد: «بسیاری از مدل‌ها فقط به ورودی و خروجی واکنش توجه می‌کنند، بدون آنکه مراحل بین‌راهی را بررسی یا اطمینان حاصل کنند که نه جرمی اضافه می‌شود و نه از بین می‌رود. این باعث می‌شود خروجی‌ها غیرواقعی باشند.»
برای حل این چالش، تیم MIT از روشی قدیمی متعلق به دهه ۷۰ میلادی استفاده کرده‌اند که توسط شیمیدانی به نام ایوار اوگی (Ivar Ugi) معرفی شده بود. این روش از ماتریسی به‌نام “ماتریس پیوند-الکترون” بهره می‌برد تا الکترون‌های دخیل در واکنش را به‌دقت مدل‌سازی کند. مدل FlowER بر اساس همین ماتریس طراحی شده و قادر است هم اتم‌ها و هم الکترون‌های درگیر را به‌صورت کامل ردیابی کند و مانع از ایجاد یا حذف نادرست آن‌ها شود.
مون‌هونگ فانگ، یکی دیگر از اعضای تیم، می‌گوید: «این نحوه‌ی نمایش به ما کمک کرد بتوانیم همزمان اطمینان حاصل کنیم که هیچ اتم یا الکترونی از بین نمی‌رود. این موضوع نقش کلیدی در گنجاندن قانون پایستگی جرم در مدل داشت.»
با وجود آنکه این مدل هنوز در مراحل اولیه توسعه قرار دارد، اما نتایج بسیار امیدبخشی داشته است. بر اساس آزمایش‌های انجام‌شده، FlowER عملکردی برابر یا بهتر نسبت به سایر روش‌های فعلی دارد و دقت بالاتری در پیش‌بینی واکنش‌های پیچیده شیمیایی از خود نشان داده است. مدل مذکور بر اساس بیش از یک میلیون واکنش شیمیایی واقعی که از پایگاه داده اداره ثبت اختراعات آمریکا استخراج شده‌اند تمرین داده شده است. البته این داده‌ها هنوز شامل انواع خاصی از فلزات و کاتالیزورها نمی‌شوند که خود می‌تواند زمینه توسعه آینده باشد.
کانر کولی، استاد مهندسی شیمی و مهندسی برق MIT و نویسنده اصلی مقاله، می‌گوید: «ما بسیار هیجان‌زده‌ایم که این مدل می‌تواند مکانیزم‌های واکنش را با دقت بالا پیش‌بینی کند و در عین حال پایستگی جرم و الکترون را رعایت کند. البته هنوز جای کار زیادی برای توسعه و پوشش واکنش‌های متنوع‌تر وجود دارد، اما این مدل نقطه شروع خوبی برای آینده است.»
مدل FlowER و تمام داده‌های مربوط به آن به‌صورت متن‌باز در پلتفرم GitHub در دسترس عموم قرار گرفته‌اند. این مدل به‌ویژه برای پیش‌بینی واکنش‌هایی در حوزه‌های شیمی دارویی، کشف مواد جدید، شیمی احتراقی، شیمی جو و واکنش‌های الکتروشیمیایی کاربرد دارد.
برتری دیگر این روش نسبت به دیگر مدل‌ها در این است که برخلاف مدل‌هایی که صرفاً داده‌ها را تحلیل می‌کنند، در این پروژه مکانیزم‌ها از داده‌های واقعی تجربی استخراج شده‌اند. کولی اضافه می‌کند: «ما واکنش‌های کلی را بر پایه داده‌های تجربی از منابع موثق همچون پتنت‌ها بنا گذاشته‌ایم و سپس مکانیزم‌ها را از آن‌ها نتیجه گرفته‌ایم، نه این‌که صرفاً آن‌ها را از خود اختراع کرده باشیم.»
گام بعدی برای تیم پژوهشی، گسترش توانایی مدل در شناسایی فلزات و چرخه‌های کاتالیزوری است. به گفته‌ی کولی، هنوز بسیاری از واکنش‌هایی که شامل این عناصر هستند مدل‌سازی نشده‌اند و این حوزه‌ای بسیار مهم برای تحقیقات آینده خواهد بود.
درنهایت، این پژوهش نشان می‌دهد که ترکیب هوش مصنوعی با اصول علمی دقیق می‌تواند مسیر جدیدی را برای پیشرفت در علوم شیمی، داروسازی و حتی طراحی مواد باز کند. به گفته پژوهشگران، این تنها قدم اول در سفری بلندمدت به‌سوی شناسایی واکنش‌های جدید و درک مکانیزم‌های پیچیده شیمیایی است.
