기계 학습 모델은 뛰어난 정확도로 유기 반응 메커니즘을 분류합니다.

화학 반응의 발견은 실험 데이터를 얼마나 빨리 얻을 수 있는지뿐만 아니라 화학자가 해당 데이터를 얼마나 쉽게 이해하는지에 따라 영향을 받습니다. 새로운 촉매 반응의 기계적 기초를 밝혀내는 것은 전산 및 물리 유기 화학에 대한 전문 지식이 필요한 특히 복잡한 문제입니다. 그러나 촉매 반응은 가장 효율적인 화학 공정을 나타내기 때문에 연구하는 것이 중요합니다.

최근 영국 맨체스터 대학교(UoM) 화학과의 Burés와 Larrosa는 기계 학습 모델을 보고하여 심층 신경망 모델을 훈련하여 일반적인 운동 데이터를 분석하고 해당 데이터를 자동으로 설명할 수 있음을 보여주었습니다. 추가적인 사용자 입력 없이 메커니즘 카테고리를 사용할 수 있습니다. 이 모델은 뛰어난 정확도로 다양한 유형의 메커니즘을 식별합니다.

이 연구 결과는 AI 기반 메커니즘 분류가 메커니즘 설명을 단순화하고 자동화할 수 있는 강력하고 새로운 도구임을 보여줍니다. 이 연구는 완전 자동화된 유기 반응의 발견과 개발을 더욱 발전시킬 것으로 예상됩니다.

연구 제목은 "기계 학습을 활용한 유기 반응 메커니즘 분류"이며, 2023년 1월 25일 "Nature"에 게재되었습니다.

논문 링크: ​https://www.nature.com/articles/s41586-022-05639-4​

화학의 메커니즘을 해명하는 전통적인 방법 반응

기질을 제품으로 전환하는 것과 관련된 기본 단계의 정확한 순서를 결정하는 것은 합성 방법을 합리적으로 개선하고, 새로운 촉매를 설계하고, 산업 공정을 안전하게 확장하는 데 중요합니다. 반응 메커니즘을 규명하려면 여러 동역학 곡선을 수집해야 하며, 인간 전문가는 데이터에 대한 동역학 분석을 수행해야 합니다. 반응 모니터링 기술은 지난 수십 년 동안 운동 데이터 수집이 완전히 자동화될 수 있을 정도로 크게 향상되었지만 기계적 설명을 뒷받침하는 이론적 프레임워크는 같은 속도로 발전하지 않았습니다.

현재 동역학 분석 파이프라인은 실험 데이터에서 동역학 특성을 추출하고, 가능한 모든 메커니즘에 대한 동역학 특성을 예측하고, 실험적으로 추출된 특성과 예측된 특성을 비교하는 세 가지 주요 단계로 구성됩니다.

100년 넘게 화학자들은 반응 속도에서 기계적 정보를 추출해 왔습니다. 오늘날에도 여전히 사용되는 한 가지 방법은 출발 물질의 처음 몇 퍼센트 소비에 초점을 맞춰 반응의 초기 속도를 평가하는 것입니다. 이 방법은 대부분의 경우 시간에 따른 반응물 농도의 변화가 반응 시작 시 선형이고 분석이 간단하기 때문에 널리 사용됩니다. 이 기술은 통찰력이 있지만 시간 경과에 따라 발생하는 반응 속도 및 농도의 변화를 무시합니다.

지난 수십 년 동안 반응 공정 전반에 걸쳐 반응 성분의 농도를 평가하기 위한 더욱 발전된 방법이 개발되었습니다. 이러한 방법은 반응 동역학 다이어그램에서 반응 단계에 참여하는 구성 요소의 수(반응 구성 요소의 순서라고도 함)를 나타내는 수학적 기술을 통해 더욱 촉진됩니다. 이러한 기술은 확실히 계속해서 화학 반응성에 대한 통찰력을 제공할 것이지만 촉매 시스템의 동역학 거동을 설명하는 보다 포괄적인 기계론적 가설을 제공하기보다는 반응 구성 요소의 순서를 분석하는 데 국한됩니다.

그림 1: 동역학 분석을 위한 관련성 및 최첨단 기술. (출처: Paper)

AI는 동역학 분석 분야를 변화시킵니다.

기계 학습은 분자 및 경로 설계부터 분자 합성, 반응 메커니즘 이해에 이르기까지 화학자가 문제를 해결하는 방식에 혁명을 일으키고 있습니다. Burés와 Larrosa는 이제 기계 학습 모델을 사용하여 시뮬레이션된 운동 특성을 기반으로 반응을 분류함으로써 운동 분석에 이러한 혁신을 가져오고 있습니다.

여기에서 연구원들은 시뮬레이션된 동역학 데이터를 기반으로 훈련된 딥 러닝 모델이 시간적 농도 분포에서 다양한 메커니즘을 올바르게 설명할 수 있음을 보여줍니다. 기계 학습 모델은 속도 법칙 도출과 동역학 특성 추출 및 예측의 필요성을 제거하여 동역학 분석을 단순화하고 모든 합성 실험실에서 반응 메커니즘의 설명을 크게 촉진합니다.

사용 가능한 모든 동역학 데이터의 전체적인 분석으로 인해 이 방법은 반응 곡선을 조사하는 능력을 향상시키고 동역학 분석 중에 잠재적인 인적 오류를 제거하며 분석 가능한 동역학의 범위를 확장하여 비정상 상태(활성화 및 비활성화 과정) 및 가역적 반응. 이 접근 방식은 현재 사용 가능한 운동 분석 방법을 보완하며 가장 까다로운 상황에서 특히 유용합니다.

특정 연구

연구원들은 20가지 유형의 반응 메커니즘을 정의하고 각 유형에 대한 속도 법칙을 개발했습니다. 각 메커니즘은 일련의 운동 상수(k1, … kn)와 화학종 농도의 상미분 방정식(ODE) 함수로 수학적으로 설명됩니다. 그런 다음 그들은 반응물의 붕괴와 생성물의 생산을 설명하는 수백만 개의 시뮬레이션을 생성하여 이러한 방정식을 풀었습니다. 이러한 시뮬레이션된 운동 데이터는 학습 알고리즘을 훈련하여 각 기계 클래스의 특징적인 특징을 식별하는 데 사용됩니다. 결과 분류 모델은 초기 및 시간 농도 데이터를 포함한 동역학 곡선을 입력으로 사용하고 반응의 기계적 클래스를 출력합니다.

그림 2: 기계적 범위 및 데이터 구성. (출처: 논문)

딥 러닝 모델을 훈련하려면 많은 양의 데이터가 필요한 경우가 많으며, 이는 이 데이터를 실험적으로 수집해야 할 때 상당한 어려움을 초래할 수 있습니다.

Burés와 Larrosa의 알고리즘 교육 접근 방식은 대량의 실험적 운동 데이터를 생성하는 병목 현상을 방지합니다. 이 경우, 연구원들은 정상 상태 근사치를 사용하지 않고도 모델 훈련 및 검증을 위한 500만 개의 역학 샘플을 생성하기 위해 일련의 ODE를 수치적으로 풀 수 있었습니다.

이 모델에는 훈련 가능한 매개변수가 576,000개 포함되어 있으며 두 가지 유형의 신경망 조합을 사용합니다. (1) 장단기 기억 신경망, 시간 데이터 계열(예: 시간 집중 데이터)을 처리하는 데 사용되는 순환 신경망; (2) 비시간적 데이터(즉, 각 운동 실행의 장단기 기억에서 추출된 특징 및 촉매의 초기 농도)를 처리하기 위해 완전히 연결된 신경망. 모델은 합이 1이 되는 각 메커니즘에 대한 확률을 출력합니다.

연구원들은 시뮬레이션된 운동 곡선의 테스트 세트를 사용하여 훈련된 모델을 평가하고 92.6%의 정확도로 이러한 곡선을 메커니즘 클래스에 올바르게 할당했음을 보여주었습니다.

그림 3: 각 운동 곡선에 대해 6개의 시점이 있는 테스트 세트의 기계 학습 모델 성능. (출처: 논문)

의도적으로 "noisy" 데이터를 도입하는 경우에도 모델이 잘 작동하므로 실험 데이터를 분류하는 데 사용할 수 있습니다.

그림 4: 오류 및 데이터 포인트 수가 기계 학습 모델 성능에 미치는 영향. (출처: Paper)

마지막으로 연구원들은 이전에 보고된 여러 실험적 운동 곡선을 사용하여 모델을 벤치마킹했습니다. 예측된 메커니즘은 이전 동역학 연구의 결론과 잘 일치합니다. 어떤 경우에는 모델이 원본 작업에서 감지되지 않은 기계적 세부 사항도 식별했습니다. 도전적인 반응을 위해 모델은 세 가지 매우 유사한 기계적 범주를 제안합니다. 그러나 저자는 이 결과가 버그가 아니라 모델의 특징이라고 정확하게 밝혔습니다. 이는 메커니즘을 탐색하기 위해 더 구체적인 실험이 필요함을 시사하기 때문입니다.

그림 5: 실험적 운동 데이터를 사용한 사례 연구. (출처: 논문)

요약하자면, Burés와 Larrosa는 역학 연구에서 기계론적 가설을 도출하는 긴 프로세스를 자동화할 뿐만 아니라 까다로운 반응 메커니즘 분석의 역학을 수행하는 방법을 개발했습니다. 데이터 분석의 모든 기술 발전과 마찬가지로 결과적인 기계적 분류는 추가 실험적 지원이 필요한 가설로 간주되어야 합니다. 역학 데이터를 잘못 해석할 위험은 항상 존재하지만 소수의 실험을 기반으로 정확한 반응 경로를 높은 정확도로 식별하는 알고리즘의 능력은 더 많은 연구자가 역학 분석을 시도하도록 설득할 수 있습니다.

따라서 이 접근 방식은 특히 화학자가 기계 학습 알고리즘에 더 익숙해짐에 따라 반응 개발 파이프라인에 동역학 분석을 대중화하고 통합하도록 촉진할 수 있습니다.

위 내용은 기계 학습 모델은 뛰어난 정확도로 유기 반응 메커니즘을 분류합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!