n AI I KEMI Molekylære egenskaber: Kunstig intelligens baner vejen for nye og bedre beregningsmetoder Kunstig intelligens gør det muligt at udvikle ekspertsystemer, der er i stand til at udtrække vigtige strukturelle oplysninger fra molekylet og lære at korrelere disse til forskellige egenskaber af interesse. Af Adem Rosenkvist Nielsen Aouichaoui, Jens Abildskov og Gürkan Sin, Process and Systems Engineering center (Prosys), DTU Kemiteknik En ofte brugt kemivits lyder som følger: ”Don’t trust molecules, they make up everything (de udgør alt)”. I den vittig - hed gemmer der sig en universel kends- gerning: Molekyler er byggestenene i alt omkring os, både levende og livløse, naturlige og syntetiske. Kemiske pro - dukter er vidt udbredte og anvendes til forskellige formål i en lang række indu - strier som for eksempel sundhedspleje, energisystemer, overflade- og afgrøde - beskyttelse. Processerne til fremstil - ling og oprensning af disse kemikalier involverer også andre produkter såsom reaktanter og tilsætningsstoffer for at muliggøre adskillelsen og oprensningen af de ønskede produkter. Et kemisk produkts anvendelses- muligheder går hånd i hånd med dets forskellige egenskaber, både som ren komponent og som en del af en blan- ding. Disse egenskaber kan variere fra termiske, fysiske og miljømæssige til toksikologiske og sikkerhedsrelaterede egenskaber. De bestemmes normalt i laboratorier, der kræver en række for - skellige forsøgsopstillinger, måleinstru- menter, procedurer og ekspertise. Det kræver omfattende arbejde at fastlægge disse egenskaber, især når man tager den enorme størrelse af det kemiske design- Figur 1. Metoder til forudsigelse af molekylers egenskaber. Øverst: gruppebidragsmetoden, hvor molekylets egenskab er lig summen af gruppernes bidrag. Midten: Graph Neural Networks, hvor molekylet er beskrevet som en Graph, hvor knudepunkterne repræsenterer atomer. Dette bruges som input til en Deep Neural Network for at beregne egenskaben. Nederst: en kombineret tilgang, hvor grupper anses som knudepunkter, hvilket muliggør visualiseringen af de mest betydningsfulde funktionelle grupper. 20 Dansk Kemi, 104, nr. 6, 2023 -
Download PDF fil
Se arkivet med udgivelser af Dansk Kemi her
TechMedias mange andre fagblade kan læses her