
Az emberi agy kizárólag kémiai reakciók útján működik, mégis gyakran a világ legteljesítményesebb számítógépének nevezik. Az EU által támogatott CORENET projekt azt vizsgálta, hogy hasonló elv alkalmazható-e a laboratóriumban: mikrofluidikai reaktorokban kémiai reakcióhálózatok dolgozták fel az adatokat, a válaszokat pedig mesterséges intelligencia olvasta ki belőlük. Ez egy olyan terület, ahol a kémia, az informatika és az adatelemzés egy asztalnál ül – a végén pedig ellenőrizheted, hogy ez a munkamód illik-e hozzád.
Ha az emberek számítógépekre gondolnak, általában processzorokat, kábeleket és képernyőket képzelnek el. A CORDIS által közzétett anyag más összehasonlítással indul: a világ legteljesítményesebb számítógépe az emberi agy, és az kizárólag kémiai reakciók segítségével működik. Ebből adódik a kérdés, amelyet az európai CORENET projekt kutatói feltesznek – szolgálhat-e a kémia mintául egy teljesen új típusú számításhoz?
A projekt, amelyet az EU támogat, és az Európai Innovációs Tanács finanszíroz, az agyat utánzó számítástechnikai eszközöket épít. Bennük kémiai reakcióhálózatok, ún. CRN-ek dolgozzák fel az információt. Az adatok hordozói a molekulák, az adatfeldolgozás pedig az, ahogyan ezek megváltoznak. A munka része annak a tágabb törekvésnek, amellyel az uniós finanszírozású projektek a gépi tanulás fejlődését segítik.
Wilhelm Huck, a hollandiai Radboud Egyetem professzora és a CORENET csapat vezetője így magyarázza az elgondolást: „Az emberi agy inspirált minket, amely maga is kémiai processzor. Ezért azt akartuk bizonyítani, hogy a mikrofluidikai környezetbe zárt dinamikus reakcióhálózatok magas szintű számítási feladatokat is képesek elvégezni.”
A tudósok által alkalmazott technika neve reservoir computing. A csapat mikrofluidikai chipeken valósította meg – apró reaktorokban, amelyeken vegyszerek áramlanak át. A kiindulópont egy kémiai bemeneti réteg, amely a következőkből áll:
Ezek az elemek együtt alkotják a tárolót (reservoir). A reakciók egy- vagy kétszénatomos egyszerű kiindulási molekulákból indulnak, majd kibővítik a kémiai teret, és több tucat szerkezetileg összetettebb vegyületet hoznak létre.
A lényeg az, hogy a reakciók eredménye nem véletlenszerű. A bemeneti feltételek összefüggnek a termékek összetételével, így a kezdeti eltérő beállítások a végén eltérő molekulamintázatot adnak. Ez a kémiai válasz azután elemezhető.
Itt lép színre a mesterséges intelligencia és a gépi tanulás. Az algoritmusok értelmes információt nyernek ki a kémiai válaszból. A gyakorlatban tehát a számítási munka egy részét a reakciók végzik, az MI-eszközök pedig segítenek kiolvasni, mit jelent az eredmény.
Központi eredmény volt a kémiai reservoir computing munkafolyamatainak sikeres kidolgozása és automatizálása. A mikrofluidikai reaktorokon átáramló kémiai bemenetek nemlineáris kimeneteket állítottak elő, amelyeket elemeztek és értelmeztek, hogy osztályozási és előrejelzési feladatokat oldjanak meg – olyan problémákat, amelyeket jól ismer mindenki, aki dolgozott már gépi tanulással.
A kutatók protokollokat is kidolgoztak e reakcióhálózatok szabályozására, nyomon követésére és irányítására. Az anyag szerint ez jelentős lépés a méretezhető, molekulaalapú számítástechnika felé.
Az eredményeket a „Nature” folyóirat egy mérföldkőnek számító cikke írja le „Chemical reservoir computation in a self-organizing reaction network” címmel. Megmutatta, hogyan működhetnek a formóz-reakciók és a hozzájuk kapcsolódó rendszerek molekuláris számítási szubsztrátumként. A folytatás befejezés alatt áll: azt kell bemutatnia, hogy a koncepció általánosítható, egy újonnan kifejlesztett reakcióhálózatra épített, jól teljesítő reservoir számítógéppel.
A CORENET megmutatja, hogyan halványulnak el a szakterületek közötti határok. A projekt koordinátora, Andres de la Escosura, a Madridi Autonóm Egyetem egyetemi docense hangsúlyozza, hogy a siker sok szakterület együttműködéséből született: „Lenyűgözött minket, hogy a megközelítés mennyire sikeres volt, és hogy rendkívüli akadémiai és ipari tudósokból álló csoportunk hogyan fogott össze, hogy megbirkózzon a rendszerkémia, a mikrofluidika, a metabolomika és az MI egyesítésének nagy kihívásával.”
Aki egyetemi szakot vagy specializációt választ, annak néhány tanulság adódik innen. Egy adatelemzést ismerő vegyész olyan csapatban találhatja magát, amely a számítástechnika jövőjén dolgozik. Egy informatikus vagy gépitanulás-szakember érdekes munkát találhat ott, ahol az adatok nem képernyőről, hanem mikroreaktorból származnak. Az is figyelemre méltó, hogy az akadémiai és ipari tudósok egymás mellett dolgoztak, így az ilyen kutatás nem záródik be az egyetemi falak közé.
Ha megnézzük, min dolgozott a csapat, az ilyen projektekben naponta több tudásterület találkozik: reakciókémia és katalízis, mikrofluidika, kémiai keverékek elemzése és gépi tanulás. Senkinek sem kell mindegyikben egyszerre elmélyednie, de könnyebb megtalálni a helyed egy ilyen csapatban, ha érted a szomszédos szakterületek nyelvét.
A CORENET kísérlet olyan számítástechnikai eszközök építésére, amelyekben kémiai reakciók dolgozzák fel az információt, az emberi agy példáját követve. A kutatók megmutatták, hogy a mikrofluidikai reaktorokban zajló reakcióhálózatok olyan válaszokat adnak, amelyeket a mesterséges intelligencia osztályozási és előrejelzési feladatok megoldásává képes alakítani. Az ilyen munkához különböző területek szakemberei kellenek, a rendszerkémiától a mesterséges intelligenciáig.
Ez a cikk az Európai Bizottság CORDIS szolgáltatása által közzétett anyagon alapul.
5 kérdés · egy perc