Moleküllerin elektronik yapısını anlamak, ilaç geliştirmeden malzeme bilime kadar birçok alanda kritik öneme sahip. Ancak bu hesaplamalar son derece karmaşık ve zaman alıcı süreçler gerektiriyor. Özellikle 'multireferans' hesaplamalar olarak adlandırılan yöntemlerde, hangi elektronik orbitallerin hesaplamaya dahil edileceğini belirlemek uzmanların deneyimine dayanan zorlu bir karar süreci.
ArXiv'de yayınlanan yeni araştırma, bu soruna yapay zeka temelli bir çözüm getiriyor. RLEASE (Pekiştirmeli Öğrenme Verimli Aktif Uzay Motoru) sistemi, düşük maliyetli Hartree-Fock orbital tanımlayıcılarından yararlanarak her orbital için tanı skorları üretiyor. Bu skorlar, hangi orbitallerin aktif hesaplama uzayına dahil edileceğini otomatik olarak belirliyor.
Sistemin kalbi, proksimal politika optimizasyonu kullanan bir pekiştirmeli öğrenme algoritması. Algoritma, seçtiği aktif uzaylarla yapılan hesaplamaların doğruluğunu referans değerlerle karşılaştırarak öğreniyor. Bu sayede zaman içinde daha iyi aktif uzay seçimleri yapabilmeyi öğreniyor.
En dikkat çekici özelliği, küçük bir molekül seti üzerinde eğitildikten sonra bile farklı molekül türlerine başarıyla uygulanabilmesi. Araştırmacılar, sistemin hem pertürbasyon teorisi hem de bileşik coupled-cluster enerji tahminleyicileri ile uyumlu çalıştığını gösterdi.
Bu gelişme, kuantum kimyası hesaplamalarını demokratikleştirme potansiyeli taşıyor ve yeni moleküler keşifleri hızlandırabilir.