Sciencemag.cz
Doporučujeme
Jak přimět software, aby navrhl syntézu látky X? Na chemii můžeme pohlížet stejně jako na hraní šachů nebo Go.
Úkol pro neuronovou síť byl jednoduchý a odpovídal běžnému zadání v chemické laboratoři – retrosyntetická analýza. K cílové látce se dostaneme nějakými reakcemi, ovšem tyto molekuly ještě stále nemusí být dostupné na vstupu, proces tedy může mít více kroků. Potenciálně narážíme na kombinatorickou explozi (od toho má chemik samozřejmě konkrétní znalosti a zkušenosti, aby se s problémem vypořádal) a proces je navíc třeba optimalizovat podle různých kritérií.
Jak praví nová studie, retsrosyntetickou analýzu si můžeme modelovat jako stromeček podobný šachům nebo Go. Můžeme použít hodnotící funkci, která bude vždy posuzovat, nakolik se určitou reakcí (chápanou „zpětně“) dostaneme do požadovaného stavu, tedy k látkám dostupným na vstupu. Jako další parametry lze třeba zvolit cenu vstupních látek, množství kroků, které je třeba provést, ale např. i to, zda budeme muset používat látky nějak toxické. (Poznámka PH: Zřejmě předpokládáme, že samotné údaje o tom, zda spolu dvě látky reagují, již máme zadány podobně jako pravidla hry – nějak externě. Součástí může být i údaj o tom, jak je reakce výtěžná, jaká je cena pomocných prostředků, např. rozpouštědel nebo procesů izolujících potřebnou látku.)
Na Columbia University School of Engineering and Applied Science přišli s řešením tohoto problému, které nevyužívá hrubou sílu, ale neuronovou síť založenou na školení posilováním (reinforcement learning, zpětnovazebné učení). Autoři výzkumu tvrdí, že se problém v principu nijak neliší od her a když zde tyto postupy vytvořily programy, který daleko předčí lidské hráče, proč by tomu nemělo být jinak i v chemii. Neuronová síť údajně předčí dřívější systémy, které vše vyhodnocovaly pomocí jednoduchých funkcí (heuristik). (Poznámka PH: Podobně programy v Go založené na neuronových sítích porážejí klasickou hrubou sílu/heuristiky, v šachách to není zdaleka tak jednoznačné.)
Program na začátku zkoumá reakce náhodně a sám si vytváří strategie vedoucí k úspěchu, které překonávají postupy navržené lidmi. Podobně jako existují různé programy pro šachy nebo Go, by takto mohla vzniknout i podnětná konkurence expertních systémů, které zvládají „chemické myšlení“.
John S. Schreck et al, Learning Retrosynthetic Planning through Simulated Experience, ACS Central Science (2019). DOI: 10.1021/acscentsci.9b00055
Zdroj: Phys.org
Poznámka PH: Není mi bohužel příliš jasné následující. I když počet pozic v šachách a Go je obrovský, samotná pravidla jsou jednoduchá a určena jednoznačně (v každé pozici víte, zda nějaký tah je přípustný). Jak ale systém dostane takovou externí znalost (reaguje spolu A a B?). Jako výčet v podobě obří tabulky? Nebo snad chce po systému i schopnost nacházet analogie („když známe takovou reakci s propanolem, bude probíhat i s butanolem“)? Či to snad funguje ještě nějak jinak a chceme po systému, aby se dopídil i samotných pravidel, a to jen ze znalosti vzorců molekul?
