วิธีการวัดพลังงานของโมเลกุลโดยใช้คอมพิวเตอร์ควอนตัม

วิธีการวัดพลังงานของโมเลกุลโดยใช้คอมพิวเตอร์ควอนตัม

เครดิตฟรี

การจำลองโมเลกุลบนคอมพิวเตอร์ควอนตัมทำได้ง่ายขึ้นมากด้วยฮาร์ดแวร์ควอนตัมตัวนำยิ่งยวดของไอบีเอ็ม ในบทความวิจัยล่าสุดที่ตีพิมพ์ในNature , Variational Quantum Eigensolver สำหรับโมเลกุลขนาดเล็กและแม่เหล็กควอนตัมเราใช้อัลกอริธึมควอนตัมใหม่ที่มีความสามารถในการคำนวณสถานะพลังงานต่ำสุดของโมเลกุลขนาดเล็กได้อย่างมีประสิทธิภาพ โดยการทำแผนที่โครงสร้างอิเล็กทรอนิกส์ของออร์บิทัลของโมเลกุลบนเซตย่อยของตัวประมวลผลควอนตัมเจ็ดคิวบิตที่สร้างขึ้นตามวัตถุประสงค์ของเรา เราได้ศึกษาโมเลกุลที่ยังไม่เคยสำรวจมาก่อนด้วยคอมพิวเตอร์ควอนตัม ซึ่งรวมถึงลิเธียมไฮไดรด์ (LiH) และเบริลเลียมไฮไดรด์ (BeH 2)). การเข้ารหัสเฉพาะจากออร์บิทัลถึงคิวบิตที่ศึกษาในงานนี้สามารถใช้เพื่อทำให้การจำลองของโมเลกุลที่ใหญ่กว่านั้นง่ายขึ้น และเราคาดหวังโอกาสในการสำรวจการจำลองที่ใหญ่กว่านี้ในอนาคต เมื่อกำลังคำนวณควอนตัม (หรือ ” ปริมาตรควอนตัม “) ของ IBM Q ระบบได้เพิ่มขึ้น

สล็อต

ในขณะที่ BeH 2เป็นโมเลกุลที่ใหญ่ที่สุดที่เคยจำลองโดยคอมพิวเตอร์ควอนตัมจนถึงปัจจุบัน แบบจำลองที่พิจารณาแล้วของโมเลกุลเองก็ยังง่ายพอสำหรับคอมพิวเตอร์คลาสสิกที่จะจำลองได้อย่างแม่นยำ สิ่งนี้ทำให้เป็นกรณีทดสอบเพื่อผลักดันขีดจำกัดของสิ่งที่โปรเซสเซอร์เจ็ด qubit ของเราสามารถบรรลุได้ ทำความเข้าใจข้อกำหนดเพิ่มเติมเพื่อเพิ่มความแม่นยำของการจำลองควอนตัมของเรา และวางองค์ประกอบพื้นฐานที่จำเป็นสำหรับการสำรวจการศึกษาพลังงานโมเลกุลดังกล่าว
การจำลองโมเลกุลที่ดีที่สุดในปัจจุบันใช้คอมพิวเตอร์แบบคลาสสิกที่ใช้วิธีการประมาณที่ซับซ้อนเพื่อประเมินพลังงานต่ำสุดของโมเลกุลแฮมิลตัน “ฮามิลโทเนียน” เป็นตัวดำเนินการพลังงานกลควอนตัมที่อธิบายปฏิสัมพันธ์ระหว่างออร์บิทัลของอิเล็กตรอน* และนิวเคลียสของอะตอมที่เป็นส่วนประกอบ สถานะ “พลังงานต่ำสุด” ของโมเลกุล Hamiltonian กำหนดโครงสร้างของโมเลกุลและวิธีที่มันจะโต้ตอบกับโมเลกุลอื่น ข้อมูลดังกล่าวมีความสำคัญสำหรับนักเคมีในการออกแบบโมเลกุล ปฏิกิริยา และกระบวนการทางเคมีใหม่สำหรับการใช้งานทางอุตสาหกรรม
*ข้อควรทราบสองสามข้อเกี่ยวกับออร์บิทัล: หนึ่ง อิเล็กตรอนไม่หมุนรอบนิวเคลียสของอะตอมเหมือนดาวเคราะห์รอบดวงอาทิตย์ ดังที่มักแสดงให้เห็นในการ์ตูนแบบง่าย แต่พวกมันมีอยู่ในออร์บิทัลที่มองเห็นได้ดีกว่าว่าเป็นเปลือกเมฆที่ห่อหุ้มนิวเคลียส ทางกายภาพ ความหนาแน่นของเมฆอธิบายถึงความน่าจะเป็นที่จะพบอิเล็กตรอนในบริเวณนั้น ทำให้มีรูปร่างลักษณะเฉพาะ
นักวิทยาศาสตร์ของ IBM ได้พัฒนาวิธีการใหม่ในการจำลองโมเลกุลบนคอมพิวเตอร์ควอนตัม ซึ่งอาจช่วยปฏิวัติวิทยาศาสตร์เคมีและวัสดุในวันหนึ่ง นักวิทยาศาสตร์ประสบความสำเร็จในการใช้ 6 qubits บนตัวประมวลผลควอนตัม 7 บิตที่สร้างขึ้นโดยมีวัตถุประสงค์เพื่อแก้ไขปัญหาโครงสร้างโมเลกุลสำหรับเบริลเลียมไฮไดรด์ (BeH2) ซึ่งเป็นโมเลกุลที่ใหญ่ที่สุดจำลองบนคอมพิวเตอร์ควอนตัมจนถึงปัจจุบัน ผลการวิจัยแสดงให้เห็นถึงเส้นทางของการสำรวจระบบควอนตัมในระยะสั้นเพื่อเพิ่มความเข้าใจของเราเกี่ยวกับปฏิกิริยาเคมีที่ซับซ้อนซึ่งอาจนำไปสู่การใช้งานจริง (กันดาลาและคณะ; ธรรมชาติ)
Qubit:ออร์บิทัล
แม้ว่าตัวประมวลผลควอนตัมทั้งเจ็ดของเราจะไม่ได้รับการแก้ไขข้อผิดพลาดอย่างสมบูรณ์และทนต่อข้อผิดพลาด แต่เวลาที่สอดคล้องกันของแต่ละ qubits จะอยู่ที่ประมาณ 50 µs ดังนั้นจึงเป็นเรื่องสำคัญอย่างยิ่งที่จะใช้อัลกอริธึมควอนตัมที่มีประสิทธิภาพมาก เพื่อให้ได้ประโยชน์สูงสุดจากการเชื่อมโยงกันของควอนตัมอันมีค่าของเรา และพยายามทำความเข้าใจโครงสร้างโมเลกุล อัลกอริทึมต้องมีประสิทธิภาพในแง่ของจำนวน qubits ที่ใช้และจำนวนการดำเนินการควอนตัมที่ดำเนินการ
รูปแบบของเราแตกต่างไปจากอัลกอริทึมการจำลองควอนตัมที่ศึกษาก่อนหน้านี้ ซึ่งมุ่งเน้นไปที่การปรับรูปแบบการจำลองระดับโมเลกุลแบบคลาสสิกกับฮาร์ดแวร์ควอนตัม และในการดำเนินการดังกล่าวไม่ได้คำนึงถึงค่าใช้จ่ายที่จำกัดของอุปกรณ์ควอนตัมที่เหมือนจริงในปัจจุบัน
ดังนั้น แทนที่จะบังคับวิธีการคำนวณแบบคลาสสิกไปยังฮาร์ดแวร์ควอนตัม เราได้ย้อนกลับวิธีการนี้และถามว่า: เราจะแยกพลังการคำนวณควอนตัมสูงสุดออกจากโปรเซสเซอร์เจ็ด qubit ของเราได้อย่างไร
คำตอบของเราในเรื่องนี้ได้รวมเอาเทคนิคที่มีประสิทธิภาพด้านฮาร์ดแวร์จำนวนหนึ่งเข้าไว้ด้วยกันเพื่อโจมตีปัญหา:
อย่างแรก แฮมิลตันเนียนที่หลอมละลายของโมเลกุลถูกเปลี่ยนเป็นคิวบิตแฮมิลตันเนียน ด้วยการทำแผนที่ใหม่ที่มีประสิทธิภาพซึ่งช่วยลดจำนวนคิวบิตที่จำเป็นในการจำลอง
วงจรควอนตัมที่มีประสิทธิภาพด้านฮาร์ดแวร์ซึ่งใช้การทำงานของเกทที่มีอยู่ตามธรรมชาติในโปรเซสเซอร์ควอนตัมนั้นใช้เพื่อเตรียมสถานะภาคพื้นดินทดลองของแฮมิลตัน
ตัวประมวลผลควอนตัมถูกขับเคลื่อนไปยังสถานะทดลองภาคพื้นดิน และดำเนินการวัดที่ช่วยให้เราสามารถประเมินพลังงานของสถานะการทดลองที่เตรียมไว้
ค่าพลังงานที่วัดได้จะถูกป้อนเข้าสู่รูทีนการเพิ่มประสิทธิภาพแบบคลาสสิกซึ่งจะสร้างวงจรควอนตัมถัดไปเพื่อขับเคลื่อนโปรเซสเซอร์ควอนตัมไป เพื่อลดพลังงานเพิ่มเติม
ทำซ้ำจนกว่าจะได้พลังงานต่ำสุดเพื่อให้ได้ความแม่นยำที่ต้องการ
ด้วยโปรเซสเซอร์ควอนตัมในอนาคต ซึ่งจะมีปริมาณควอนตัมมากขึ้น เราจะสามารถสำรวจพลังของวิธีการนี้ในการจำลองควอนตัมสำหรับโมเลกุลที่ซับซ้อนมากขึ้นเรื่อยๆ ซึ่งอยู่นอกเหนือความสามารถในการคำนวณแบบคลาสสิก ความสามารถในการจำลองปฏิกิริยาเคมีได้อย่างแม่นยำ นำไปสู่ความพยายามในการค้นหายา ปุ๋ย หรือแม้แต่แหล่งพลังงานใหม่ที่ยั่งยืน
การทดลองที่เราให้รายละเอียดในเอกสารของเราไม่ได้ทำงานบนตัวประมวลผล 5 คิวบิตและ 16 บิตที่เผยแพร่ต่อสาธารณะในปัจจุบันของเราบนคลาวด์ แต่นักพัฒนาและผู้ใช้ของประสบการณ์ IBM Qตอนนี้สามารถเข้าถึงควอนตัมเคมีโน๊ตบุ๊ค Jupyter บนQISKit GitHub repo ในระบบ 5 qubit ผู้ใช้สามารถสำรวจการจำลองสถานะพลังงานภาคพื้นดินสำหรับไฮโดรเจนโมเลกุลขนาดเล็กและ LiH โน้ตบุ๊กสำหรับโมเลกุลขนาดใหญ่มีให้สำหรับผู้ที่เข้าถึงโปรเซสเซอร์รุ่น 16 คิวบิตรุ่นเบต้าได้
การค้นพบที่เกิดขึ้นของเราส่งผลให้เกิดการค้นพบใหม่สองครั้งในพื้นที่นี้:
ดีเอ็นเอเพียงอย่างเดียวมีสัญญาณที่เพียงพอสำหรับมะเร็งเม็ดเลือดชนิดย่อย:ดีเอ็นเอถือเป็นพิมพ์เขียวของสิ่งมีชีวิต – มันเข้ารหัสยีนและมีส่วนนอกของยีนที่มีบทบาทโดยตรงหรือโดยอ้อมในการเปิดและปิดยีน
DNA “สสารมืด” มีบทบาทมากกว่าที่เคยคิดไว้มากในการมีอิทธิพลต่อฟีโนไทป์ของเซลล์/เนื้อเยื่อ:การวิจัยของเราพบว่า DNA สสารมืดเพียงอย่างเดียวก็เพียงพอแล้วในการพิมพ์ย่อยของมะเร็ง สิ่งนี้ทำให้เกิดความเชื่อทั่วไปที่ว่าสสารมืดส่วนใหญ่อยู่นอกขอบเขตการทำงานหรือขอบเขตที่เป็นผลสืบเนื่องใดๆ และพิสูจน์ให้เห็นว่าสสารมืดนั้นสมควรได้รับการศึกษาเพิ่มเติม
อัลกอริธึม AI นอกชั้นวางที่เราใช้สำหรับปัญหานี้ไม่เพียงพอ โดยเน้นย้ำถึงความสำคัญของความแตกต่างเฉพาะโดเมนในกระบวนการเรียนรู้ทางสถิติ เราออกแบบโมเดล AI การทำให้เป็นมาตรฐานแบบสุ่ม สำหรับข้อมูล DNA โดยเฉพาะ เพื่อจัดการกับความแตกต่างที่สับสนที่มีอยู่ในชุดข้อมูลเหล่านี้ ในความเป็นจริง วิธีนี้ใช้ได้ผลดีแม้กระทั่งกับฟีโนไทป์อื่นๆ รวมถึงการตอบสนองต่อการรักษา (แนะนำพื้นฐานระดับโมเลกุลสำหรับฟีโนไทป์เหล่านั้น)
ด้วยการใช้แบบจำลอง AI เฉพาะที่เราออกแบบ ซึ่งได้รับการประกาศเกียรติคุณจาก ReVeal เราสามารถบรรลุอัตราความแม่นยำ 75 เปอร์เซ็นต์ในการระบุมะเร็งในเลือดโดยใช้ DNA ที่ไม่ใช่ความมืดหรือ DNA ของสสารมืด เมื่อเทียบกับอัตราความแม่นยำเพียง 35 เปอร์เซ็นต์ที่ได้จากวิธี AI มาตรฐาน [1]
ผลลัพธ์เหล่านี้และแบบจำลองที่เราสร้างขึ้นเป็นรากฐานในการสำรวจความสำคัญของดีเอ็นเอของสสารมืดต่อไป ในมะเร็งในเลือด และมะเร็งชนิดอื่นๆ ที่อาจเป็นไปได้
ความก้าวหน้าล่าสุดในการเรียนรู้เชิงลึกช่วยปรับปรุงการพัฒนาระบบ Text-to-Speech (TTS) อย่างมาก โดยผ่านการเรียนรู้รูปแบบเสียงและการพูดของผู้พูดอย่างมีประสิทธิภาพและประสิทธิผลยิ่งขึ้น และการสร้างเสียงพูดคุณภาพสูงที่เป็นธรรมชาติยิ่งขึ้น
อย่างไรก็ตาม ในการผลิตเสียงพูดคุณภาพสูงนี้ ระบบ TTS ส่วนใหญ่ต้องอาศัยโมเดลโครงข่ายประสาทเทียมขนาดใหญ่และซับซ้อน ซึ่งฝึกได้ยาก และไม่อนุญาตให้มีการสังเคราะห์เสียงพูดแบบเรียลไทม์ แม้จะใช้งาน GPU ก็ตาม

สล็อตออนไลน์

เพื่อจัดการกับความท้าทายเหล่านี้ ทีมวิจัย AI ของ IBM ได้พัฒนาวิธีการใหม่สำหรับการสังเคราะห์เสียงพูดของระบบประสาทโดยใช้สถาปัตยกรรมแบบแยกส่วน ซึ่งรวมเครือข่ายประสาทเทียมระดับลึก (DNN) สามเครือข่ายเข้ากับการประมวลผลสัญญาณระดับกลางของเอาต์พุตของเครือข่าย เรานำเสนองานนี้ในบทความของเรา ” TTS คุณภาพสูง น้ำหนักเบา และปรับเปลี่ยนได้โดยใช้ LPCNet ” ที่ Interspeech 2019 สถาปัตยกรรม TTS มีน้ำหนักเบาและสามารถสังเคราะห์เสียงพูดคุณภาพสูงได้แบบเรียลไทม์ แต่ละเครือข่ายจะเรียนรู้แง่มุมต่างๆ ของเสียงของผู้พูด ทำให้สามารถฝึกส่วนประกอบแต่ละส่วนอย่างอิสระได้อย่างมีประสิทธิภาพ
ข้อดีอีกประการของแนวทางของเราคือ เมื่อเครือข่ายพื้นฐานได้รับการฝึกอบรมแล้ว เครือข่ายเหล่านี้จะสามารถปรับให้เข้ากับรูปแบบการพูดหรือเสียงใหม่ๆ ได้อย่างง่ายดาย เช่น เพื่อจุดประสงค์ในการสร้างแบรนด์และการปรับเปลี่ยนในแบบของคุณ แม้ว่าจะมีข้อมูลการฝึกอบรมเพียงเล็กน้อยก็ตาม
กระบวนการสังเคราะห์ใช้โมดูลส่วนหน้าเฉพาะภาษาที่แปลงข้อความอินพุตเป็นลำดับของคุณสมบัติทางภาษา จากนั้นจึงนำ DNN สามรายการต่อไปนี้ไปใช้ตามลำดับ:

  1. การทำนายผลเสมือน
    คุณสมบัติ Prosody จะแสดงเป็นเวกเตอร์ Prosody สี่มิติต่อหน่วย TTS (ประมาณหนึ่งในสามของสถานะHMMของโทรศัพท์) ซึ่งประกอบด้วยระยะเวลาการบันทึกของหน่วย คุณลักษณะเหล่านี้เรียนรู้ในเวลาฝึกอบรม เพื่อให้สามารถคาดการณ์ได้จากคุณลักษณะข้อความที่แยกโดยส่วนหน้าในเวลาสังเคราะห์ บทนำมีความสำคัญอย่างยิ่ง ไม่เพียงแต่ช่วยให้คำพูดดูเป็นธรรมชาติและมีชีวิตชีวา แต่ยังแสดงลักษณะเฉพาะของผู้พูดได้ดีที่สุดในข้อมูลการฝึกอบรมหรือการปรับตัว การปรับฉันทลักษณ์ให้เข้ากับผู้พูดที่มองไม่เห็นนั้นใช้ Variational Auto Encoder (VAE) รายละเอียดเพิ่มเติมเกี่ยวกับสถาปัตยกรรมเครือข่ายสามารถพบได้ในเอกสารของเรารวมถึง
  2. การทำนายคุณสมบัติอะคูสติก
    เวกเตอร์คุณสมบัติอะคูสติกให้การแสดงสเปกตรัมของคำพูดที่เฟรม 10 มิลลิวินาทีสั้น ๆ ซึ่งสามารถสร้างเสียงจริงได้ คุณสมบัติด้านเสียงจะเรียนรู้ในเวลาฝึกอบรมเพื่อให้สามารถคาดเดาได้จากฉลากการออกเสียงและคำทลักษณ์ในระหว่างการสังเคราะห์
    โมเดล DNN ที่สร้างขึ้นแสดงถึงเสียงของผู้พูดในข้อมูลการฝึกอบรมหรือการปรับตัว สถาปัตยกรรมนี้ใช้เลเยอร์แบบ Convolutional และ Recurrent สำหรับการแยกบริบทในท้องถิ่นและรูปแบบที่ขึ้นกับเวลาในลำดับสัทศาสตร์และรูปแบบระดับเสียง DNN ทำนายลักษณะทางเสียงตามอนุพันธ์ที่หนึ่งและที่สอง ตามด้วยขั้นตอนความเป็นไปได้สูงสุดและตัวกรองการเพิ่มประสิทธิภาพรูปแบบ ซึ่งช่วยสร้างเสียงพูดที่ดีขึ้น
  3. Neural Vocoder
    neural vocoder มีหน้าที่สร้างตัวอย่างคำพูดจริงจากคุณสมบัติทางเสียง ได้รับการฝึกอบรมเกี่ยวกับตัวอย่างคำพูดตามธรรมชาติของผู้พูดพร้อมกับคุณลักษณะที่เกี่ยวข้อง โดยเฉพาะอย่างยิ่ง เราเป็นคนแรกที่ใช้เครื่องกระตุ้นประสาทคุณภาพสูงที่แปลกใหม่ น้ำหนักเบา ชื่อ LPCNet ในระบบ TTS เชิงพาณิชย์เต็มรูปแบบ
    ความแปลกใหม่ของตัวขับเสียงนี้คือไม่พยายามคาดเดาสัญญาณเสียงพูดที่ซับซ้อนโดย DNN โดยตรง แต่ DNN จะคาดการณ์เฉพาะสัญญาณตกค้างของทางเดินสายเสียงที่มีความซับซ้อนน้อยกว่าเท่านั้น จากนั้นจึงใช้ตัวกรอง LPC เพื่อแปลงเป็นสัญญาณเสียงพูดสุดท้าย
    [NPC4]การปรับเสียง
    การปรับเสียงให้เข้ากับผู้พูดเป้าหมายสามารถทำได้ง่ายโดยการฝึกเครือข่ายทั้งสามใหม่ โดยอิงจากข้อมูลจำนวนเล็กน้อยจากลำโพงเป้าหมาย ในบทความของเรา เรานำเสนอผลลัพธ์ของการทดลองดัดแปลงในแง่ของคุณภาพคำพูดและความคล้ายคลึงกันกับผู้พูดเป้าหมาย นอกจากนี้ยังมีตัวอย่างของการปรับตัวถึงแปด VCTK ที่แตกต่างกัน ลำโพง (สี่ชายสี่หญิง) ในเรื่องนี้หน้าตัวอย่าง
    ผลการทดสอบการฟัง
    รูปด้านล่างแสดงผลการทดสอบการฟังจากฝูงชน สำหรับการประเมินคุณภาพ ค่า MOS (คะแนนความคิดเห็นเฉลี่ย) จะอิงตามคะแนนคุณภาพเฉลี่ย (1-5) ที่ผู้ฟังมอบให้กับตัวอย่างที่สังเคราะห์และเป็นธรรมชาติจำนวนมากจากผู้พูด VCTK สำหรับการประเมินความคล้ายคลึงกัน ผู้ฟังได้รับตัวอย่างคู่และขอให้ให้คะแนนความคล้ายคลึงกันระหว่างพวกเขา
    เราประเมินคุณภาพและความคล้ายคลึงกันกับผู้พูดเป้าหมายของคำพูดที่สังเคราะห์โดยใช้เสียงผู้หญิง/ผู้ชายที่ปรับใช้คำพูดเป้าหมายเป็นเวลาห้า 10 และ 20 นาที ตลอดจนคำพูดที่เป็นธรรมชาติของผู้พูดเป้าหมาย
    ผลการทดสอบแสดงให้เห็นว่าเราสามารถรักษาทั้งคุณภาพสูงและความคล้ายคลึงกันในระดับสูงกับผู้พูดดั้งเดิม แม้แต่เสียงที่ฝึกพูดเพียงห้านาที
    อนาคตของการคำนวณเป็นหนึ่งในแรงขับเคลื่อนการเปลี่ยนแปลงที่แข็งแกร่งที่สุดในโลกของเรา ทุกสิ่งที่เราสัมผัสมีความสามารถในการประมวลผลในตัวและกำลังสร้างข้อมูลจำนวนมหาศาล ผลกระทบไม่เพียงแต่ทำให้ชีวิตประจำวันของเราเร็วขึ้นเท่านั้น แต่ยังรวมถึงภาคอุตสาหกรรมแบบดั้งเดิมด้วย ซึ่งรวมถึงเคมีด้วย
    ปีที่แล้วที่งาน ACS Fall Meeting 2018 ในบอสตัน IBM Research ได้เปิดตัวIBM RXN for Chemistryซึ่งเป็นแอพบนคลาวด์ที่นำแนวคิดเกี่ยวกับเคมีอินทรีย์ที่เกี่ยวข้องกับภาษา ความมหัศจรรย์ที่อยู่เบื้องหลังแอปนี้คือวิธีการแปลเครื่องประสาทที่ล้ำสมัย ซึ่งสามารถทำนายผลลัพธ์ที่น่าจะเป็นไปได้มากที่สุดของปฏิกิริยาเคมีโดยใช้แบบจำลองแบบลำดับต่อลำดับ (seq2seq) เราออกแบบเครื่องมือโดยใช้อินเทอร์เฟซการวาดเคตเชอร์อย่างง่าย และทำให้พร้อมใช้งานใน IBM Cloud เพื่อทำนายผลลัพธ์ของปฏิกิริยาเคมีไปข้างหน้า
    นับตั้งแต่เปิดตัว ได้รับการตอบรับอย่างล้นหลาม โดยมีผู้ใช้มากกว่า 6,500 รายและการคาดการณ์ปฏิกิริยา 50,000 ครั้งใน 12 เดือน บริการนี้ยังถูกใช้ในห้องปฏิบัติการหลายแห่งทั่วโลกสำหรับการทดลองระบบอัตโนมัติที่เกี่ยวข้องกับ AI ซึ่งหุ่นยนต์สามารถเรียนรู้ได้แบบเรียลไทม์ โดยอิงจากข้อเสนอแนะจาก IBM RXN และการทดลองในห้องปฏิบัติการเปียก มนุษย์และเครื่องจักรมารวมกันเพื่อค้นพบ – นั่นเป็นสิ่งที่ทรงพลัง
    เราเรียกโมเดล AI ของเราว่า หม้อแปลงโมเลกุล ได้รับการฝึกอบรมแบบ end-to-end และขับเคลื่อนด้วยข้อมูลโดยสมบูรณ์ โดยไม่ต้องใช้ฐานข้อมูลหรือข้อมูลทางเคมีภายนอกเพิ่มเติม หนึ่งในคุณสมบัติที่ได้รับความนิยมมากที่สุดช่วยให้ผู้ใช้สามารถสร้างโครงการและแบ่งปันให้กับเพื่อนๆ หรือเพื่อนร่วมงาน และทำงานร่วมกันในการสังเคราะห์ปฏิกิริยาหลายขั้นตอนที่ซับซ้อนหรือการออกแบบปฏิกิริยาเคมีแบบใหม่
    ในขณะนั้น เราทำได้ดีกว่าโมเดลที่ขับเคลื่อนด้วยข้อมูลทั้งหมด โดยมีความแม่นยำสูงสุด 1 อันดับแรกในการทำนายปฏิกิริยาเคมีไปข้างหน้าเป็นครั้งแรก
    IBM RXN ย้อนยุคในคลาวด์
    คล้ายกับปัญหาการทำนายสารเคมีที่เป็นปัญหาในการแปลจากภาษาหนึ่ง (ตัวทำปฏิกิริยา+ตัวทำปฏิกิริยา) เป็นภาษาที่สอง (ผลิตภัณฑ์) ทีมงานสังเกตเห็นความขนานกันของกระบวนการแปลกลับด้าน แทนที่จะทำนายผลของปฏิกิริยาเคมีที่เป็นไปได้ ปัญหาผกผันจะกำหนดสารเคมีที่จำเป็นในการสร้างโมเลกุลเป้าหมายที่กำหนด กระบวนการนี้เรียกว่าการสังเคราะห์เชิงกลับเป็นที่รู้จักกันดีในด้านเคมี วันนี้เป็นงานที่เชี่ยวชาญโดยผู้เชี่ยวชาญของมนุษย์ โดยเฉพาะนักเคมีอินทรีย์สังเคราะห์
    [NPC5]ในช่วง 12 เดือนที่ผ่านมา ทีมของเราทำงานเพื่อปรับปรุงประสบการณ์ผู้ใช้บน IBM RXN เราขยายแนวทางของงานแปลแบบผกผันอย่างราบรื่น โดยเตรียมพร้อมสำหรับสิ่งที่ยิ่งใหญ่ในปี 2019 – การวิเคราะห์สังเคราะห์ย้อนหรือลำดับของปฏิกิริยาเคมีเพื่อสร้างเป้าหมายที่กำหนด
    การนำการสังเคราะห์แบบย้อนกลับมาใช้มีความท้าทายมากกว่าการฝึกโมเดล AI สำหรับการทำนายปฏิกิริยาเคมีล่วงหน้า แม้ว่าในช่วงสองสามปีที่ผ่านมามีรายงานผลงานหลายชิ้นเกี่ยวกับการนำการสังเคราะห์เชิงซ้อนมาใช้จริง แต่งานทั้งหมดนั้นกำลังตรวจสอบประสิทธิภาพของวิธีการด้วยการสังเคราะห์ทางเคมีที่ประสบความสำเร็จจำนวนหนึ่งซึ่งตรวจสอบโดยผู้เชี่ยวชาญด้านโดเมน
    เป้าหมายแรกของเราคือการสร้างตัววัดการประเมินจากศูนย์เพื่อทำความเข้าใจจุดแข็งและข้อจำกัดของแบบจำลอง และเพื่อเป็นแนวทางในการปรับปรุงเทคโนโลยี AI อย่างเป็นระบบ