Forskare från University of Bristols laboratorium för immateriella verkligheter (IRL) och ETH Zürich har använt virtuell verklighet och algoritmer för artificiell intelligens för att lära sig detaljerna om kemiska förändringar.

I en omslagsartikel som publicerades idag i Journal of Physical Chemistry , forskare vid University of Bristol och ETH Zürich beskriver hur avancerade interaktions- och visualiseringsramar med virtual reality (VR) gör det möjligt för människor att träna maskininlärningsalgoritmer och påskynda vetenskaplig upptäckt.

Teamet beskriver sitt arbete med att utforma ett toppmodernt ramverk med öppen källkod för VR-programvara som kan utföra kvantemekanikberäkningar "on-the-fly".

Det gör det möjligt för forskare att utforska sofistikerade fysikmodeller av komplexa molekylära omorganisationer som innebär att man gör och bryter kemiska bindningar, första gången som virtual reality har använts för att möjliggöra sådant.

Teamet använde sitt interaktiva VR -system för att 'lära' kvantkemi till neurala nätverk.

Huvudförfattare Silvia Amabilino, som arbetar mellan IRL och Bristols Center for Computational Chemistry, sa "Att generera datamängder för att lära maskiner kvantkemi är en långvarig utmaning.

"Våra resultat tyder på att mänsklig intuition, i kombination med VR, kan generera utbildningsdata av hög kvalitet, och därmed förbättra maskininlärningsmodeller. "

Medförfattare, Dr Lars Bratholm, som arbetar mellan IRL, centrum för beräkningskemi, och matematikskolan tillade:"För de flesta vetenskapliga beräkningsarbetsflöden, flaskhalsen är processorkraft. Men maskininlärning har skapat ett scenario där den nya flaskhalsen är förmågan att snabbt generera data av hög kvalitet. "

Royal Society Research fellow Dr. David Glowacki, som leder IRL över Bristols avdelning för datavetenskap och kemiskolan, sade:"Immersiva verktyg som VR ger ett effektivt sätt för människor att uttrycka vetenskaplig och designig insikt på hög nivå. Så vitt vi vet, detta arbete representerar första gången som ett VR -ramverk har använts för att generera data för utbildning av ett neuralt nätverk. "

Ökningen av maskininlärning och automatisering inom vetenskap och samhälle har lett till viktiga frågor om vilken typ av vetenskaplig framtid vi medvetet bör arbeta med att designa under de närmaste decennierna. Berättelser om vår framväxande framtid brukar automatisera det ultimata slutet, och det är ibland oklart var människan passar in.

Professor Markus Reiher från ETH tillade:"Detta arbete visar att avancerade visualiserings- och interaktionsramar som VR och AR gör det möjligt för människor att komplettera automatiserade metoder för maskininlärning och påskynda vetenskaplig upptäckt.

"Tidningen ger en intressant vision för hur vetenskapen kan utvecklas inom en snar framtid, där människor fokuserar sina ansträngningar på hur man effektivt tränar maskiner. "