Maddenin atomik ölçekteki davranışını simüle etmek, modern kimya ve malzeme biliminin temel taşlarından biri. Ancak büyük moleküler sistemleri — örneğin protein katlanmalarını ya da sıvı kristalleri — atom atom modellemek, mevcut bilgisayarların kapasitesini zorlayan devasa bir hesaplama yükü gerektiriyor.
Bu sorunu aşmak için bilim insanları 'kaba tanecikli' (coarse-grained) simülasyon yöntemlerine başvuruyor. Bu yaklaşımda birden fazla atom, tek bir temsili parçacıkla ifade ediliyor; böylece sistem büyük ölçüde sadeleşiyor ve hesaplama süresi dramatik biçimde kısalıyor. Ne var ki bu basitleştirme beraberinde ciddi bir bilgi kaybı getiriyor: Moleküllerin üç boyutlu şekli ve uzaydaki yönelimi gibi kritik özellikler göz ardı ediliyor.
Yeni bir çalışmada araştırmacılar, bu açığı kapatmaya yönelik iki tamamlayıcı yaklaşım sunuyor. Birincisi olan AniSOAP, moleküllerin geometrisini elipsoidal bir simetri çerçevesinde tanımlayan anizotropik yoğunluk tabanlı betimleyiciler kullanıyor. Molekülün şekli bu geometriye yakın olduğunda AniSOAP, doğrusal bir model olarak bile oldukça başarılı sonuçlar veriyor.
İkinci yaklaşım olan MACE-CG ise daha güçlü bir araç: Simetri uyumlu eşdeğişken mesaj geçişli sinir ağlarını kaba tanecikli sistemlere uyarlayan bu mimari, moleküler anizotropiyi doğrudan öğrenebiliyor. Benzen, formamid ve su gibi farklı geometrilere sahip moleküller üzerinde yapılan testler, MACE-CG'nin enerji ve kuvvet tahminlerinin yanı sıra tork hesaplamalarında da izotropik modellere göre kayda değer bir üstünlük sergilediğini ortaya koyuyor.
Araştırmacılar, bu iki yöntemin birbirini tamamlar nitelikte olduğunu vurguluyor: Molekül şekli iyi tanımlanmış ve görece basit sistemlerde AniSOAP hızlı ve etkili bir çözüm sunarken, daha karmaşık ve düzensiz geometrilerde MACE-CG'nin öğrenme kapasitesi devreye giriyor.
Bu çalışmanın uzun vadeli etkileri oldukça geniş bir yelpazeye yayılıyor. İlaç etken maddelerinin hücre zarlarıyla etkileşiminden yeni nesil malzemelerin tasarımına, sıvı kristal teknolojilerinden biyopolimer dinamiklerine kadar pek çok alanda büyük sistemlerin daha doğru ve verimli modellenmesi mümkün hale gelebilir. Makine öğrenmesi ile fiziksel kimyanın bu sentezi, hesaplamalı kimyanın sınırlarını zorlamaya devam ediyor.