الكيمياء العضوية هي دراسة الجزيئات المعتمدة على الكربون، وتكمن أهميتها ليس فقط في علم الكائنات الحية، بل تعد أيضًا أساسية للعديد من التكنولوجيات الحالية والمستقبلية، مثل شاشات العرض العضوية بالتألق (OLED). فهم البنية الإلكترونية لجزيئات المواد هو المفتاح لتوقع الخواص الكيميائية للمادة.
في دراسة نُشرت مؤخرًا في مجلة الكيمياء الفيزيائية من قِبَل باحثين في معهد العلوم الصناعية بجامعة طوكيو، تم تطوير خوارزمية تعلم الآلة لتوقع كثافة الحالات ضمن جزيء عضوي، أي عدد المستويات الطاقوية التي يمكن للإلكترونات أن تحتلها في الحالة الأساسية ضمن جزيء المادة. يمكن أن تكون هذه التوقعات، استنادًا إلى البيانات الطيفية، مفيدة جدًا للكيميائيين العضويين وعلماء المواد عند تحليل الجزيئات المعتمدة على الكربون.
تُستخدَم التقنيات التجريبية المستخدمة غالبًا للعثور على كثافة الحالات بصعوبة في التفسير. وهذا ينطبق بشكل خاص على الطريقة المعروفة باسم الطيف النصفي لفقدان الطاقة، والتي تجمع بين الطيفية القريبة لفقدان الطاقة (ELNES) والهيكل القريب لامتصاص الأشعة السينية (XANES). تُشعِّ طُمَّة من الإلكترونات أو الأشعة السينية على عينة من المادة؛ مما يسمح بتشتت الإلكترونات وقياس الطاقة المُنْبَعَثَة عن جزيئات المادة، وذلك لقياس كثافة الحالات لجزيء المهتم. ومع ذلك، فإن المعلومات الموجودة في الطيف تكون فقط لحالات الإلكترونات الغائبة (غير المحتلة) للجزيئات المثارة.
لمعالجة هذه المشكلة، قام الفريق في معهد العلوم الصناعية بجامعة طوكيو بتدريب نموذج تعلم الآلة لشبكة عصبية لتحليل بيانات الطيف النصفي لفقدان الطاقة وتوقع كثافة الحالات الإلكترونية. أولاً، تم إنشاء قاعدة بيانات عن طريق حساب كثافات الحالات والطيف النصفي المقابل لأكثر من 22,000 جزيء. وتمت إضافة بعض الضوضاء المحاكاة أيضًا. ثم تم تدريب الخوارزمية على طيف الطيف النصفي وتحسينها لتوقع الكثافة الصحيحة للحالات المحتلة وغير المحتلة في الحالة الأساسية.
"لقد حاولنا توقع التوقعات للجزيئات الأكبر باستخدام نموذج مدرب على الجزيئات الأصغر. واكتشفنا أن الدقة يمكن تحسينها عن طريق استبعاد الجزيئات الصغيرة"، يوضح الكاتب الرئيسي بو ين تشين.
كما اكتشف الفريق أيضًا أنه من خلال استخدام معالجة سلسة مسبقة وإضافة ضوضاء محددة إلى البيانات، يمكن تحسين توقعات كثافة الحالات، مما يمكن أن يسرع من اعتماد نموذج التوقع للاستخدام في البيانات الحقيقية.
"يمكن أن يساعد عملنا الباحثين على فهم الخصائص المادية للجزيئات وتسريع تصميم الجزيئات الوظيفية"، يقول المؤلف الرئيسي تيريوياسو ميزوغوتشي. ويمكن أن يشمل ذلك الصيدلة ومركبات مثيرة أخرى.
تقرير عن بحث منشور في مجلة " The Journal of Physical Chemistry". للمزيد راجع.
Machine Learning Lets Researchers See Beyond the Spectrum, The Journal of Physical Chemistry (2023). DOI: 10.1021/acs.jpclett.3c00142