Un « écosystème » d'outils pour stimuler l'apprentissage automatique

Oct 24, 2023

Rapport du 24 mars 2023

Cet article a été révisé conformément au processus éditorial et aux politiques de Science X. Les éditeurs ont mis en évidence les attributs suivants tout en garantissant la crédibilité du contenu :

vérifié

publication à comité de lecture

source fiable

relire

par Bob Yirka, Phys.org

Une équipe de chimistes et d'informaticiens de l'Ecole Polytechnique Fédérale de Lausanne, de l'Université de Californie et de l'Institut des Sciences et Ingénierie Chimiques, Ecole, a développé un écosystème d'outils pour stimuler la conception basée sur l'apprentissage automatique de cadres métallo-organiques.

Dans leur étude, rapportée dans la revue ACS Central Science, Kevin Maik Jablonka, Andrew Rosen, Aditi Krishnapriyan et Berend Smit ont codé des outils pour convertir les données en entrées d'apprentissage automatique afin de créer un système pour stimuler les cadres d'apprentissage automatique.

La chimie réticulaire est la science de la conception et de la synthèse de matériaux cristallins poreux avec certaines structures et propriétés prédéfinies (blocs de construction). Ces matériaux, connus sous le nom de structures organométalliques (MOF), ont des applications dans le stockage de gaz, la séparation, la catalyse, la détection et l'administration de médicaments.

Malheureusement, la découverte et l'optimisation de nouveaux MOF reposent encore largement sur des expériences d'essais et d'erreurs, ce qui prend du temps et coûte cher. Pour accélérer le développement de la chimie réticulaire, certains des membres de l'équipe actuelle ont créé un ensemble d'applications appelé Mofdscribe et l'ont mis à la disposition du grand public en 2022.

Depuis lors, Mofdscribe a été utilisé par de nombreux chimistes pour les aider à créer des MOF distincts. L'équipe actuelle a cependant reconnu que Mofdscribe avait certaines limites et a décidé de créer un système plus utile.

À cette fin, les chercheurs ont créé un code permettant d'intégrer la modélisation informatique, l'apprentissage automatique, l'exploration de données et le criblage à haut débit. Ils ont également résolu un problème qui impliquait que les données utilisées pour former les algorithmes d'apprentissage automatique fuyaient dans les ensembles de test. L'un de leurs objectifs, notent-ils, était de créer des outils d'analyse d'ensembles de données dont les chercheurs n'ont pas encore besoin, mais dont ils auront probablement besoin à un moment donné. Selon eux, cela devrait aider à comparer les différences de performances entre les systèmes d'apprentissage automatique.

Le résultat a été ce que l'équipe décrit comme un « écosystème » - un environnement où les chimistes pouvaient se rendre pour élaborer de nouvelles approches d'apprentissage automatique pour créer des MOF avec les fonctions et les propriétés souhaitées. Ils notent que cela permet également d'identifier de nouvelles voies de synthèse et conditions de réaction.

L'équipe de recherche note également que le nouvel écosystème facilitera le partage et la réutilisation des données et des connaissances entre les chercheurs dans le domaine de la chimie réticulaire, ce qui, selon eux, favorisera la collaboration et l'innovation.

Plus d'information: Kevin Maik Jablonka et al, Un écosystème pour la chimie réticulaire numérique, ACS Central Science (2023). DOI : 10.1021/acscentsci.2c01177

Informations sur la revue :Sciences centrales de l'AEC

© 2023 Réseau Science X