Forskare vid det amerikanska energidepartementets (DOE) Argonne National Laboratory har börjat använda neurala nätverk för att identifiera de strukturella signaturerna hos molekylära gaser, potentiellt tillhandahålla nya och mer exakta avkänningstekniker för forskare, försvarsindustrin och läkemedelstillverkare.

Detta genombrottsarbete har erkänts som en finalist för 2018 FoU 100 pris.

"Detta betyder att när du är på en flygplats och kör ett säkerhetstest på en oidentifierad kemikalie eller om du är en läkemedelstillverkare som skannar ditt prov efter föroreningar, du kan köra så många fler av dessa tester exakt på en mycket kortare tid." — Daniel Zaleski, Argonne postdoktor

Neurala nätverk – så kallade för att de fungerar på ett sammankopplat sätt som liknar våra hjärnor – erbjuder kemister en stor möjlighet till snabbare och mer rigorös vetenskap eftersom de ger ett sätt på vilket maskiner kan lära sig och till och med göra bestämningar om data. Att vara effektiv, fastän, de måste läras noggrant. Det är därför detta forskningsområde kallas för maskininlärning.

"Säg att du ville lära en dator att känna igen en katt, " sa Argonne-kemist Kirill Prozument. "Du kan försöka förklara för en dator vad en katt är genom att använda en algoritm, eller så kan du visa den fem tusen olika foton av katter."

Men istället för att titta på katter, Prozument och tidigare Argonne-postdoktorn Daniel Zaleski ville identifiera strukturen hos gasfasmolekyler. Att göra så, de använde molekylernas rotationsspektra.

Forskare bestämmer en molekyls rotationsspektra genom att observera hur molekylen interagerar med elektromagnetiska vågor. I klassisk fysik, när en våg med en viss frekvens träffar en molekyl i gasfasen, det får molekylen att rotera.

Eftersom molekyler är kvantobjekt, de har karakteristiska frekvenser vid vilka de absorberar och avger energi som är unika för den typen av molekyl. Detta fingeravtryck ger forskare en utmärkt uppfattning om mönstret av kvantenerginivåer hos gasfasmolekyler.

"Vi är särskilt intresserade av att titta på de produkter som är resultatet av kemiska reaktioner, " sa Prozument. "Anta att vi inte vet vilka kemiska produkter vi har genererat, och vi vet inte vilka molekyler det finns. Vi sveper med en millimetervågspuls genom alla möjliga frekvenser, men bara frekvenser som "ringar i klockan" för molekylerna kommer att absorberas och bara de kommer att återutsändas."

Zaleski kodade tusentals av dessa rotationsspektra, märka varje olika spektrum för det neurala nätverket. Fördelen med att använda ett neuralt nätverk är att det bara behövde "lära sig" dessa spektra en gång, i motsats till varje gång ett prov testades.

"Detta betyder att när du är på en flygplats och kör ett säkerhetstest på en oidentifierad kemikalie eller om du är en läkemedelstillverkare som skannar ditt prov efter föroreningar, du kan köra så många fler av dessa tester exakt under en mycket kortare tidsperiod, " sa Zaleski. Även om dessa resonanser fungerar som ett filter, mängden spektroskopisk data som produceras är fortfarande skrämmande. "Att gå från rå spektroskopisk data till faktisk kemisk information är utmaningen, " sade Zaleski. "Datan består av tusentals om inte tiotusentals element - det är rörigt."

Zaleski, nu biträdande professor vid Colgate University, jämförde sökandet efter specifika molekylära signaturer med barnbilderboken "Var är Waldo?", där läsaren måste skanna en fullsatt scen för att hitta titelkaraktären. "Waldo har en mycket specifik klänning och ett specifikt mönster, så du kommer att känna honom om du ser honom, "Sade Zaleski. "Vår utmaning är att varje molekyl är som en annan version av Waldo."

Enligt Zaleski, det finns färre än 100 forskare i världen som är utbildade i att tilldela rotationsspektra. Och även om det kan ta upp till en dag att fastställa de molekylära signaturerna med hjälp av tidigare metoder, neurala nätverk minskar bearbetningstiden till mindre än en millisekund.

Det neurala nätverket körs på grafikkort (GPU) som vanligtvis används av videospelsgemenskapen. "Tills för ett par år sedan, GPU-korten vi använder fanns helt enkelt inte riktigt, ", sa Zaleski. "Vi befinner oss i en fantastisk tid just nu när det gäller den datorteknik som är tillgänglig för oss."

I sista hand, Prozument och Zaleski hoppas kunna göra sin spektroskopiska teknik så helautomatiserad som möjligt. "Vårt mål är att erbjuda verktygen för rotationsspektroskopisk analys till icke-experter, " sa Prozument. "Om du kan få spektra exakt tilldelade av en maskin som kan lära dig, du kan göra hela processen mycket mer portabel och tillgänglig eftersom du inte längre behöver så mycket teknisk expertis."

En artikel baserad på studien, "Automatisk tilldelning av rotationsspektra med hjälp av artificiella neurala nätverk, " dök upp i numret av den 13 september av Journal of Chemical Physics .