چرا هوش مصنوعی در شیمی ترند شده است؟

وقتی صحبت از هوش مصنوعی در شیمی می‌شود، بسیاری از افراد به یاد ربات‌های هوشمند فیلم‌های علمی-تخیلی می‌افتند. اما واقعیت در آزمایشگاه‌های مدرن و صنایع پتروشیمی کاملاً متفاوت است. هدف اصلی این فصل، ساخت یک درک مفهومی و غیرشعاری برای ذهن علمی شیمی‌دانان است.

طبق گزارش معتبر موسسه جهانی مک‌کینزی (McKinsey)، هوش مصنوعی تا سال ۲۰۳۳ پتانسیل ایجاد ۱۳ تا ۲۲ تریلیون دلار ارزش افزوده سالانه را دارد. نکته بسیار مهم این است که ۳ تا ۴ تریلیون دلار از این مبلغ مربوط به هوش مصنوعی مولد (مانند تولید متن و تصویر) است، اما بخش عظیم آن توسط سایر اشکال AI در صنایعی مانند تولید مواد، نفت، گاز، کشاورزی و داروسازی ایجاد می‌شود. بنابراین، یادگیری هوش مصنوعی در شیمی برای آینده شغلی ما حیاتی است.

تعریف دقیق و علمی: هوش مصنوعی (AI) واقعاً چیست؟

خیلی وقت‌ها وقتی از AI حرف می‌زنیم، ذهنمان سمت سرعت پردازش و اعداد می‌رود. ولی در واقع، هوش مصنوعی در شیمی یعنی الگوبرداری از نحوه‌ی فکر کردن انسان. ما به دنبال ساخت سیستم‌هایی هستیم که مثل یک شیمی‌دان یاد می‌گیرند، تصمیم می‌گیرند و حتی اشتباهات خود را اصلاح می‌کنند. این علم فقط درباره‌ی محاسبه‌ی سریع‌تر نیست؛ بلکه درباره‌ی بازسازی فرآیند شناختی انسان با استفاده از داده‌هاست.

درست مثل زمانی که مدل مولکولی می‌سازیم تا رفتار واقعی یک ماده را پیش‌بینی کنیم، در AI هم رفتار فکری انسان را مدل‌سازی می‌کنیم.

دسته‌بندی انواع هوش مصنوعی

برای اینکه درک کنیم چرا ترس از نابودی بشر توسط ربات‌ها فعلاً غیرمنطقی است، باید انواع AI را بشناسیم. در جدول زیر تفاوت‌های کلیدی را مشاهده می‌کنید:

کاربردهای عملی هوش مصنوعی در شیمی (مثال‌های واقعی)

همانطور که اشاره شد، تمام چیزی که ما امروز در اختیار داریم، هوش مصنوعی محدود (ANI) است. اما همین ابزار محدود، قدرت تحلیلی فوق‌العاده‌ای به شیمی‌دان‌ها می‌دهد. بیایید چند مثال کاربردی که در ویدیو هم به آن‌ها اشاره شد را باز کنیم:

۱. شناسایی گروه عاملی از طیف IR

در روش‌های سنتی، شما باید پیک‌های طیف مادون قرمز را چشمی بررسی کنید. اما الگوریتم‌های هوش مصنوعی در شیمی می‌توانند هزاران طیف را آموزش ببینند و با دقت بالا، گروه‌های عاملی پنهان در نویزها را شناسایی کنند.

۲. پیش‌بینی بازده واکنش‌ها

یکی از چالش‌های بزرگ سنتز، حدس زدن بازده واکنش است. سیستم‌های یادگیری ماشین با استفاده از داده‌های واکنش‌های قبلی، می‌توانند پیش‌بینی کنند که آیا واکنش جدید شما بازده مطلوبی خواهد داشت یا خیر. این یعنی صرفه‌جویی عظیم در زمان و مواد شیمیایی.

۳. تشخیص ساختار از داده‌های NMR

تحلیل داده‌های پیچیده NMR برای تشخیص ساختار نهایی مولکول، کاری زمان‌بر است. ابزارهای مدرن AI به عنوان دستیار تحلیلی، الگوهای پیچیده در داده‌های رزونانس مغناطیسی هسته را استخراج کرده و ساختارهای محتمل را پیشنهاد می‌دهند.

۴. شبیه‌سازی مسیر واکنش با یادگیری تقویتی (RL)

در سطوح پیشرفته‌تر، از یادگیری تقویتی برای یافتن بهترین مسیر سنتز یک دارو یا ماده خاص استفاده می‌شود، درست شبیه به روشی که یک شطرنج‌باز حرکت‌های بعدی را پیش‌بینی می‌کند.