كيف نعلّم الشبكة العصبية قراءة الجزيئات من ورقة؟ سريع
البحث عن الجزيء المناسب بين مليارات الخيارات يشبه البحث عن حبة واحدة في كيس أرز. ولتجنب الفحص اليدوي الشامل، يستدعي الكيميائيون بشكل متزايد الشبكات العصبية للمساعدة. لكن النماذج الكبيرة تتطلب أجهزة كمبيوتر قوية، بينما تفتقر النماذج الصغيرة غالبًا إلى الاتساع المعرفي.
يحل GLACIER هذه المشكلة، مثل تلميذ قدير يتعلم من عدة مرشدين في وقت واحد. أولاً، تنظر «عيون» النموذج الثلاثة إلى الجزيء من زوايا مختلفة: واحدة تراه كرسم بياني (مخطط من الذرات كرؤوس والروابط كحواف)، وثانية تقرؤه كسلسلة نصية SMILES (نوع من الرمز الشريطي الجزيئي)، وثالثة تقيّم الخصائص الفيزيائية والكيميائية — الحجم، الشحنة، الذوبان. ثم تندمج هذه النظرات الثلاث في صورة موحدة للجزيء باستخدام أداة رياضية مستوحاة من هندسة فينسلر (وهي كقياس المسافات ليس في خط مستقيم بل عبر مسار جبلي متعرج).
في المرحلة الأخيرة، يدخل المعلمون — النماذج الكبيرة MiniMol وMolFormer، المدربة مسبقًا على مجموعات بيانات ضخمة. لا يكتفي التلميذ GLACIER بنسخ إجاباتهم، بل من خلال آلية التعلم التبايني يتعلم تقريب الجزيئات المتشابهة جوهريًا في فضاءه الداخلي، وإبعاد تلك المختلفة. هكذا يولد نموذج مدمج لكنه دقيق جدًا، قادر على التنبؤ بخصائص المواد دون حسابات ثقيلة.
في النهاية، أداة واحدة خفيفة تحل محل مجموعة برامج ضخمة، مما يسرع البحث عن مواد وأدوية جديدة. يمكن الآن العثور على الحبة في كيس الأرز ليس عن طريق اللمس، بل عن طريق وصف دقيق.
سلسلة SMILES للماء العادي تبدو ببساطة «O»، وللأسبرين «CC(=O)OC1=CC=CC=C1C(=O)O». في الأساس، هذا هو الجزيء مكتوبًا بحروف وأرقام، مثل كلمة في لغة كيميائية.