คอมพิวเตอร์ควอนตัมพลิกสคริปต์เรื่อง Spin Chemistry

คอมพิวเตอร์ควอนตัมพลิกสคริปต์เรื่อง Spin Chemistry

เครดิตฟรี

ในการสร้างทางเลือกพลังงานที่ยั่งยืนที่ถูกกว่าและมีประสิทธิภาพมากขึ้น เราจำเป็นต้องรู้มากกว่าที่เราทำในปัจจุบันเกี่ยวกับปฏิกิริยาเคมีที่แปลงพลังงานแสงอาทิตย์เป็นไฟฟ้า วิธีหนึ่งที่ดีที่สุดในการทำเช่นนี้คือการใช้แบบจำลองคอมพิวเตอร์ที่จำลองปฏิสัมพันธ์ของโมเลกุลที่ซับซ้อน แม้ว่าคอมพิวเตอร์แบบคลาสสิกจะทำหน้าที่นี้ได้ดีในช่วงสองสามทศวรรษที่ผ่านมา แต่เราได้อธิบายในการศึกษาวิจัยฉบับใหม่เกี่ยวกับคุณสมบัติพิเศษของคอมพิวเตอร์ควอนตัมที่จะช่วยให้นักวิจัยพัฒนาเทคโนโลยีสำหรับการแปลงพลังงานแสงอาทิตย์ การสังเคราะห์ด้วยแสงเทียม และเซลล์แสงอาทิตย์ไปสู่ระดับใหม่ทั้งหมด

สล็อต

การศึกษาของเรา การจำลองควอนตัมบีตใน Radical Pairs บนคอมพิวเตอร์ควอนตัมที่มีเสียงดัง มี รายละเอียดว่า IBM Research และนักวิทยาศาสตร์ของมหาวิทยาลัยนอเทรอดามอย่างไร โดยได้รับความช่วยเหลือจากนักศึกษาที่มหาวิทยาลัยจอร์จทาวน์ มหาวิทยาลัย DePaul สถาบันเทคโนโลยีอิลลินอยส์ และวิทยาลัยภาคตะวันตกในลอสแองเจลิส— ใช้คอมพิวเตอร์ IBM Quantum แบบคลาวด์เพื่อจำลองว่าผลของปฏิกิริยาเคมีถูกควบคุมโดยวิวัฒนาการเวลาของสถานะพัวพันของสารตั้งต้นทั้งสองอย่างไร และปรากฏการณ์ทางเคมีของการหมุนนี้ได้รับผลกระทบจากการสูญเสียการสะกดจิตและการดีเฟสที่เกิดจากความร้อนที่ผันผวนอย่างไร .
เคมีปั่นเป็นสาขาย่อยของเคมีที่เกี่ยวข้องกับผลกระทบของการหมุนด้วยแม่เหล็กในปฏิกิริยาเคมี มันเชื่อมโยงปรากฏการณ์ควอนตัมเช่นการซ้อนทับและการพัวพันกับพารามิเตอร์ทางเคมีที่จับต้องได้เช่นผลผลิตของปฏิกิริยา (ปริมาณของปฏิกิริยาเคมีที่เกิดขึ้น) ด้วยคอมพิวเตอร์ควอนตัม เคมีสปินช่วยให้เราสามารถจำลองกระบวนการทางเคมีแบบไดนามิกบางอย่างได้โดยตรง โดยพื้นฐานแล้วคือจลนศาสตร์ของปฏิกิริยาเคมี ผลการปั่นในคู่หัวรุนแรงมีบทบาทสำคัญในกระบวนการที่อยู่ภายใต้การแปลงพลังงานแสงอาทิตย์
นักวิจัยของ Notre Dame ได้ใช้คอมพิวเตอร์แบบคลาสสิกมาหลายปีเพื่อศึกษาเคมีของสปิน อย่างไรก็ตาม การจำลองที่สร้างขึ้นโดยใช้คอมพิวเตอร์เหล่านั้นจำเป็นต้องใช้เสียงเทียมเพื่อพยายามเลียนแบบปฏิกิริยาเคมีอย่างสมจริง ในปี 2018 นักวิจัยได้เพิ่มโอกาสในการสร้างแบบจำลองเคมีสปินที่มีรายละเอียดมากขึ้นโดยใช้คอมพิวเตอร์ควอนตัม 5-qubit ที่เผยแพร่ต่อสาธารณะของไอบีเอ็ม และภายในเดือนเมษายน 2019 Notre Dame ได้เข้าร่วมIBM Quantum Networkซึ่งเสนอให้พวกเขาเข้าถึงระบบคอมพิวเตอร์ IBM Quantum และความเชี่ยวชาญที่พวกเขาต้องการทำการทดลองทางเคมีแบบหมุน
ทีมนักวิทยาศาสตร์ของเราทำงานร่วมกันโดยใช้คอมพิวเตอร์ควอนตัมเพื่อจำลองว่าผลกระทบของการหมุนจะควบคุมผลของปฏิกิริยาอย่างไร ในกรณีนี้ ปฏิกิริยาที่เป็นไปได้สองผลิตภัณฑ์คือโมเลกุลในสถานะตื่นเต้นสองประเภทที่แตกต่างกัน – ไม่ว่าจะเป็นเสื้อกล้าม (ที่มีการหมุน 0) หรือทริปเปิ้ล (ด้วยการหมุน 1) โดยแต่ละประเภทมีพลังงานในปริมาณที่แตกต่างกัน ในระบบที่เราศึกษา ข้อมูลการทดลองที่เผยแพร่โดยกลุ่มของ VA Bagryansky แห่งสถาบัน VV Voevodsky Institute of Chemical Kinetics and Combustion แสดงในรูปของสารเรืองแสงหรือสารเรืองแสง ซึ่งช่วยให้เราเข้าใจได้ดีขึ้นว่าปฏิกิริยาทำงานอย่างไรในระดับโมเลกุล ในระบบนี้ การสูญเสียสัญญาณของโมเลกุลถูกวัดโดยใช้การเรืองแสง
การสูญเสียการทำให้เป็นแม่เหล็กของโมเลกุลเนื่องจากการคลายตัวของการหมุนอิเล็กตรอนนั้นคล้ายคลึงกับเทปแม่เหล็กที่สูญเสียความสามารถในการเก็บข้อมูลเนื่องจากความร้อนสูงเกินไป สื่อแม่เหล็ก—ส่วนใหญ่ถูกแทนที่ด้วยแฟลช แต่ยังคงใช้สำหรับการจัดเก็บจดหมายเหตุ—ทำมาจากเกาะต่างๆ ของวัสดุแม่เหล็ก เป็นเวลานานที่ผู้ผลิตสื่อแม่เหล็กต้องดิ้นรนกับอุปกรณ์ที่ทำงานที่อุณหภูมิห้องหรือร้อนกว่าเนื่องจากความร้อนทำให้สัญญาณแม่เหล็กอ่อนลงเมื่อเวลาผ่านไป การคลายตัวของสปินอิเล็กตรอนอย่างรวดเร็วสามารถลดประสิทธิภาพของการขนส่งแบบสปินในการใช้งานการแปลงพลังงานแสงอาทิตย์ได้เช่นกัน
ความสำเร็จของการทดลองของเราคือสองทาง ทำให้เราสามารถศึกษาพฤติกรรมคอมพิวเตอร์ควอนตัมและเคมีของสปินได้ ต่างจากการทดลองส่วนใหญ่ในคอมพิวเตอร์ควอนตัม ซึ่งต้องการใช้ประโยชน์จากศักยภาพอันน่าทึ่งของเทคโนโลยีโดยการใช้ประโยชน์จากอายุสั้นของคิวบิต—วัดได้เป็นไมโครวินาที—เราพยายามชะลอการคำนวณที่ส่งไปยังวงจรสองคบิตของเรา ซึ่งช่วยให้เราสามารถดูรายละเอียดว่าเกทและคิวบิตกำลังทำอะไรอยู่หลายวินาทีหรือหลายนาที
โดยปกติในการคำนวณควอนตัม มีคนส่งโปรแกรม รัน ทำการวัด และโปรแกรมหยุดทำงาน แต่เราใช้OpenPulseซึ่งเป็นภาษาการเขียนโปรแกรมภายในกรอบงานคอมพิวเตอร์ควอนตัมโอเพนซอร์ซ Qiskit เพื่อระบุการควบคุมระดับพัลส์บนอุปกรณ์ควอนตัม เราชะลอการคำนวณเพื่อให้เห็นกระบวนการเสียงรบกวนของคอมพิวเตอร์ควอนตัม เสียงรบกวนเป็นคุณสมบัติตามธรรมชาติของ qubits แต่จำกัดจำนวนการคำนวณที่สามารถทำได้และทำให้เกิดข้อผิดพลาดกับผลลัพธ์สุดท้าย ในขณะที่เราทำงานในส่วนนี้ต่อไป เราจะสามารถสนับสนุนความรู้ของผู้ที่ศึกษาวิธีลดเสียงรบกวนดังกล่าว และสร้างคอมพิวเตอร์ควอนตัมที่ทนทานและมีโอกาสเกิดข้อผิดพลาดน้อยลงได้ในอนาคต
การวิจัยของเราทำหน้าที่เป็นกรณีการใช้งานใหม่สำหรับการคำนวณควอนตัม เราแสดงให้เห็นว่าเสียง qubit ซึ่งโดยทั่วไปแล้วจะเป็นอุปสรรคต่อการใช้คอมพิวเตอร์ควอนตัม จริง ๆ แล้วสามารถเป็นข้อได้เปรียบเหนือคอมพิวเตอร์คลาสสิกสำหรับการจำลองทางเคมี
เมื่อมองไปข้างหน้า เราหวังว่า OpenPulse จะกลายเป็นเครื่องมือในการสร้างเสียงรบกวนและเปลี่ยนสัญญาณควอนตัม OpenPulse สามารถควบคุมได้มากขึ้น การทดลองในอนาคตที่ดีขึ้นสามารถจำลอง—และใช้—เสียงเพื่อทำความเข้าใจปรากฏการณ์ทางเคมีที่ซับซ้อนได้ดีขึ้น เช่น การสังเคราะห์ด้วยแสงเทียมและการแปลงพลังงานแสงอาทิตย์
สำหรับแต่ละโครงการ นักวิทยาศาสตร์จาก NIH และนักวิจัยในอุตสาหกรรมพยายามที่จะกำหนดลักษณะตัวบ่งชี้ระดับโมเลกุลที่มีประสิทธิผลของโรค เรียกว่าไบโอมาร์คเกอร์ และแยกแยะเป้าหมายทางชีววิทยาที่มีแนวโน้มว่าจะตอบสนองต่อการรักษาแบบใหม่มากที่สุด กลยุทธ์เดียวกันนี้จะขับเคลื่อนงานของทีมวิจัยในขณะที่พวกเขาพยายามไขความซับซ้อนและความลึกลับที่เกี่ยวข้องกับโรคจิตเภทและตั้งเป้าที่จะเข้าใจดีขึ้นว่าความก้าวหน้าและแสดงออกภายในแต่ละบุคคลเป็นอย่างไร
แม้ว่าความก้าวหน้าทางเทคโนโลยีจะทำให้มีข้อมูลมากมายเกี่ยวกับสาเหตุทางชีววิทยาของโรค แต่การย้ายการค้นพบเหล่านี้ไปสู่การรักษายังคงเป็นเรื่องยากอย่างเหลือเชื่อ น่าเสียดายที่ข้อมูลเชิงลึกทางชีววิทยาไม่ได้นำไปสู่เป้าหมายยาที่มีประสิทธิภาพ การเลือกเป้าหมายที่ไม่ถูกต้องอาจส่งผลให้เกิดความล้มเหลวในกระบวนการพัฒนายา และทำให้เสียเวลา เงิน และอาจถึงแก่ชีวิตจำนวนมหาศาล
การพัฒนายาตัวใหม่ ตั้งแต่การค้นพบแต่เนิ่นๆ จนถึงแนวทางของ FDA อาจใช้เวลานานกว่าทศวรรษ และมีอัตราความล้มเหลวมากกว่า 95 เปอร์เซ็นต์ บ่อยครั้ง ความล้มเหลวที่แพงที่สุดเกิดขึ้นในการทดลองทางคลินิกระยะสุดท้าย โดยปัจจุบันขาดประสิทธิภาพของยาประเมินว่ามีส่วนรับผิดชอบต่อความล้มเหลวในเฟส 2 ถึง 59 เปอร์เซ็นต์ และความล้มเหลวในเฟส 3 52 เปอร์เซ็นต์ ท่ามกลางการระบาดใหญ่ทั่วโลก เห็นได้ชัดว่ากระบวนการในปัจจุบันนี้จำเป็นต้องได้รับการเร่ง เปลี่ยนแปลง และมีประสิทธิภาพมากขึ้นอย่างไม่น่าเชื่อ การระบุเป้าหมายทางชีววิทยาที่เป็นไปได้ในช่วงต้นของกระบวนการพัฒนายาสามารถช่วยกระตุ้นการเปลี่ยนแปลงนี้ได้
ชุมชนการวิจัยด้านชีวการแพทย์ทั้งหมดและสาธารณชนต่างมีความสนใจร่วมกันในการบีบอัดไทม์ไลน์ ลดต้นทุน และเพิ่มอัตราความสำเร็จของการรักษาแบบกำหนดเป้าหมายใหม่ เมื่อพิจารณาจากปริมาณและความซับซ้อนของข้อมูล เป้าหมายนี้จะต้องใช้แนวทางที่เป็นระบบซึ่งรัฐบาล ภาควิชาการ อุตสาหกรรม และกลุ่มผู้ป่วยทำงานร่วมกันเพื่อกรองผ่านเป้าหมายโรคที่ท่วมท้น และค้นหาเป้าหมายที่มีแนวโน้มว่าจะตอบสนองต่อการรักษาได้มากที่สุด
โครงการที่ดำเนินการโดย AMP มีเป้าหมายเพื่อลดเวลาในการพัฒนา ปรับปรุงโอกาสของความสำเร็จ ลดต้นทุนและจำนวนความล้มเหลวใน Phase II และ III และทำความเข้าใจเป้าหมายทางชีววิทยาด้วยการเพิ่มประสิทธิภาพกระบวนการในการระบุและตรวจสอบเป้าหมายของโรคที่เกี่ยวข้องทางคลินิกสำหรับการออกแบบยา , ทางเดินและไบโอมาร์คเกอร์

สล็อตออนไลน์

ในการเปิดตัว AMP ครั้งต่อไป NIH ได้เปิดตัวโครงการโรคจิตเภท (AMP SZ) โดยมีส่วนร่วมของอุตสาหกรรมยา ซึ่งรวมถึง Boehringer Ingelheim, Janssen, Otsuka และ Raritan และมูลนิธิต่างๆ เช่น NAMI (National Alliance of Mental Health) ชาวอเมริกัน มูลนิธิสมาคมจิตเวช (APA) และมูลนิธิ Wellcome นอกจากนี้ ความคิดริเริ่มจะประสานงานกิจกรรมกับ Federal Drug Administration (FDA) AMP SZ จะได้รับเงินทุนเป็นเวลา 5 ปี โดยมีงบประมาณรวม 99 ล้านเพื่อสนับสนุนความพยายามในการรวบรวมข้อมูลและการวิเคราะห์ข้อมูล
ความคิดริเริ่ม AMP SZ จะประกอบด้วยศูนย์สองแห่งสำหรับการรวบรวมข้อมูลและหนึ่งศูนย์สำหรับการวิเคราะห์ข้อมูล รวมถึง Clinical High Risk for Psychosis: Data Processing, Analysis และ Coordination Center (DPACC) กลุ่มที่รู้จักกันในชื่อ Psychosis Risk Evaluation, Data Integration and Computational Technologies (PREDICT) จะประกอบด้วยนักวิจัยจาก Harvard Medical School, Mt. คณะแพทยศาสตร์ซีนาย มหาวิทยาลัยสแตนฟอร์ด สถาบันวิจัยและการศึกษานอร์เทิร์นแคลิฟอร์เนีย และการวิจัยของไอบีเอ็ม ทีมเหล่านี้ได้รับเลือกจาก NIMH ให้เป็น DPACC Center
การดำเนินงานของเราในระยะเวลาห้าปีมีจุดมุ่งหมายเพื่อช่วยระบุความแตกต่างของผู้ที่มีความเสี่ยงสูงในการเกิดโรคจิตเภททางคลินิก ซึ่งความแปรปรวนในผลลัพธ์ดังกล่าวได้ขัดขวางความก้าวหน้าในการพัฒนาการรักษา เป้าหมายของ PREDICT Center คือการรวมทีมสหสาขาวิชาชีพของนักวิจัยที่มีประสบการณ์สูงพร้อมความสามารถที่ได้รับการพิสูจน์แล้วในทุกด้านของการศึกษาขนาดใหญ่ตลอดจนความเชี่ยวชาญด้านคอมพิวเตอร์ เพื่อพัฒนาอัลกอริธึมไบโอมาร์คเกอร์ อันดับแรกในชุดข้อมูลที่เหลืออยู่ ข้อมูลใหม่ในอนาคตที่รวบรวมโดยนักวิจัยเครือข่ายการวิจัยที่เป็นหุ้นส่วนใน AMP โรคจิตเภท
จุดมุ่งหมายคือเพื่อให้ biomarkers เหล่านี้ใช้เพื่อช่วยทำนายวิถีที่มีความเสี่ยงสูงทางคลินิกของแต่ละบุคคลและผลลัพธ์ส่วนบุคคล และเพื่อสร้างเครื่องคำนวณความเสี่ยงเป็นรายบุคคลที่สามารถใช้ในการทดลองทางคลินิกในอนาคตสำหรับการแทรกแซงการรักษาและหวังว่าจะหยุดการลุกลามของผลลัพธ์ที่ไม่พึงประสงค์ที่ รวมถึงการเริ่มเป็นโรคจิตและการทำงานที่ลดลงตลอดจนผลลัพธ์อื่นๆ ตั้งแต่อาการที่สงบลงอย่างต่อเนื่อง ไปจนถึงความวิตกกังวลและอารมณ์/ความผิดปกติ แอลกอฮอล์และการใช้ยาเสพติด ความคิดและพฤติกรรมฆ่าตัวตาย ไปจนถึงการฟื้นตัว
“ความเสี่ยงทางคลินิกสูง” (CHR) สำหรับกลุ่มอาการโรคจิตในคนหนุ่มสาวเป็นหน้าต่างที่มีโอกาสสำหรับการแทรกแซงในระยะเริ่มต้นเพื่อช่วยป้องกันการโจมตีของโรคจิตและความผิดปกติอื่น ๆ และเพื่อป้องกันความพิการ อย่างไรก็ตาม ความแตกต่างทางคลินิกและความขาดแคลนของ biomarkers ได้ขัดขวางการพัฒนาของการแทรกแซงที่มีประสิทธิภาพ
[NPC4]เพื่อจัดการกับความท้าทายเหล่านี้ โดยทำงานร่วมกับ NIMH และผู้มีส่วนได้ส่วนเสียหลัก ความคิดริเริ่มนี้จะมุ่งมั่นที่จะประสานและรวบรวมข้อมูล CHR “ดั้งเดิม” ที่มีอยู่ตลอดจนแนะนำพันธมิตรทางคลินิกในขณะที่พวกเขารวบรวมข้อมูลใหม่ผ่านเครือข่ายไซต์ การทำงานกับฐานข้อมูลนี้ที่รวบรวมโดยศูนย์รวบรวมข้อมูลที่แยกจากกัน ทีมงานของเราจะพัฒนาอัลกอริธึมไบโอมาร์คเกอร์ที่สามารถช่วยทำนายเส้นทางแต่ละอันสำหรับผลลัพธ์ที่หลากหลาย ข้อเสนอนี้ใช้ประโยชน์จากทีมสหสาขาวิชาชีพที่มีประสบการณ์เฉพาะด้าน CHR ในการศึกษาแบบ multisite และ multimodal ขนาดใหญ่ (รวมถึงการทดลองทางคลินิก) พร้อมด้วยความเชี่ยวชาญในการประมวลผลเฉพาะประเภทข้อมูล การประสานงาน การวิเคราะห์ และการวิเคราะห์เชิงคำนวณ จริยธรรม การเผยแพร่สู่ชุมชน และการเผยแพร่ข้อมูล ซึ่งจะทำให้โครงการนี้ประสบความสำเร็จ
ทีมวิจัยของไอบีเอ็มจะมีส่วนร่วมในความรู้ที่ขับเคลื่อนด้วยข้อมูลการใช้งานปัญญาประดิษฐ์ที่จะถ่ายภาพสมองสำหรับความผิดปกติทางระบบประสาทและระบบประสาทที่แสดงให้เห็นในจิตเภท , อาการปวดเรื้อรังและโรคฮันติงตัน ทีมงานจะร่วมให้ความรู้ในการวิเคราะห์และเป็นแนวทางในการรวบรวมตัวอย่างภาษา โดยอิงจากประวัติการใช้งานวิธีการประมวลผลภาษาธรรมชาติที่ประสบความสำเร็จในการทำนายการเริ่มเป็นโรคจิตในกลุ่มประชากร CHR. Dr. Guillermo Cecchi จะเป็นผู้ช่วยผู้อำนวยการในโครงการนี้และเป็นผู้นำร่วมของ Data Analytics Core ซึ่งประสานงานกับความพยายามของทีม IBM เขาจะทำงานอย่างใกล้ชิดกับ Dr. Polosecki, Castro และ Reinen รวมถึงในทีม IBM Research ในแกนอื่นๆ ของโครงการ รวมถึงการจัดการข้อมูล การตรวจสอบข้อมูล และการเผยแพร่
ศูนย์ PREDICT และความคิดริเริ่มโดยรวมจะเป็นโอกาสพิเศษสำหรับ IBM Research ที่จะเป็นผู้นำในการตระหนักถึงศักยภาพมหาศาลของการบูรณาการข้อมูลจำนวนมาก ปัญญาประดิษฐ์ และการวิจัยทางประสาทวิทยาศาสตร์ขั้นพื้นฐาน เพื่อช่วยส่งผลกระทบต่อสุขภาพจิต
มาตรการเช่น ที่พักพิง สวมหน้ากาก และเว้นระยะห่างทางสังคม มีผลกระทบต่อจำนวนผู้ป่วย COVID-19 อย่างไร? มาตรการกักกันโรคโควิด-19 ที่ประเทศในอเมริกาเหนือดำเนินการแล้วเป็นอย่างไร เมื่อเปรียบเทียบกับประเทศในอเมริกาใต้
นี่เป็นเพียงคำถามสองสามข้อเกี่ยวกับการแทรกแซงที่ไม่ใช่ยา (NPIs) ที่หลากหลายซึ่งใช้โดยรัฐบาลทั่วโลก นับตั้งแต่เริ่มมีการระบาดใหญ่ NPI เหล่านี้ได้ถูกนำไปใช้ในระดับต่างๆ โดยมีจุดประสงค์เพื่อลดการแพร่เชื้อของ COVID-19 สำหรับ NPI เหล่านี้บางส่วน ภาระทางเศรษฐกิจของการนำ NPI ไปใช้อาจมีมหาศาล และผลกระทบทางสังคมอาจกว้างไกล
ดังนั้น รัฐบาลท้องถิ่นและภาคธุรกิจจึงปรารถนาที่จะตัดสินใจอย่างชาญฉลาดและระมัดระวัง โดยมักจะเน้นเฉพาะที่ NPI ที่มีประสิทธิภาพมากที่สุด การตัดสินใจเหล่านี้อาจได้รับประโยชน์จากแนวทางที่ขับเคลื่อนด้วยข้อมูล ซึ่งรูปแบบการแพร่กระจายของโรคได้รวมข้อมูลเกี่ยวกับ NPI ในทางกลับกัน การทำเช่นนี้อาจทำให้แผนการแทรกแซงเพื่อช่วยในการจัดการการแพร่กระจายของโรคในขณะที่สร้างสมดุลระหว่างผลกระทบทางเศรษฐกิจและสังคม ข้อมูลเกี่ยวกับ NPI ที่กำลังดำเนินการมีอยู่ในแหล่งข้อมูลที่ไม่มีโครงสร้างที่หลากหลาย รวมถึงเว็บไซต์ทางการ ข่าวประชาสัมพันธ์ โซเชียลมีเดีย และบทความข่าว อย่างไรก็ตาม ความพยายามในการสร้างแบบจำลองมักต้องการให้ข้อมูล NPI พร้อมใช้งานในรูปแบบที่มีโครงสร้าง
[NPC5]เพื่อตอบสนองความต้องการเร่งด่วนนี้ มีการริเริ่มการรวบรวมข้อมูลหลายอย่างในช่วงไม่กี่เดือนที่ผ่านมา ส่งผลให้มีชุดข้อมูลสาธารณะหลายชุดที่มีระดับความครอบคลุม ความใหม่ของข้อมูล และความบางที่แตกต่างกัน อย่างไรก็ตาม สิ่งเหล่านี้ส่วนใหญ่ได้รับการดูแลจัดการด้วยตนเองและไม่ครอบคลุมการแทรกแซงที่หลากหลาย นอกจากนี้ ครอบคลุมเฉพาะส่วนย่อยของภูมิภาคโลก โดยมีข้อมูลจำกัดเกี่ยวกับตำแหน่งและแหล่งที่มาของเม็ดละเอียดเท่านั้น วิธีการรวบรวมข้อมูลกึ่งอัตโนมัติโดยใช้ AI ขับเคลื่อนโดยอนุกรมวิธานที่ขยายได้และสมบูรณ์ อาจช่วยเชื่อมช่องว่างและส่งผลให้ชุดข้อมูลมีขนาดใหญ่ขึ้นและอัปเดตบ่อยขึ้นโดยใช้แรงงานคนน้อยลง