در عصر حاضر، یادگیری ماشین (ML) به عنوان یک ابزار قدرتمند، انقلابی در حوزه‌های مختلف علمی، از جمله پیش‌بینی خواص مولکول‌ها و مواد بلورین، ایجاد کرده است. توانایی مدل‌های ML در ارائه پیش‌بینی‌های دقیق و کارآمد، نویدبخش کشف مواد جدید و درک عمیق‌تر پدیده‌های شیمیایی است. با این حال، توسعه مدل‌های ML با دقت بالا نیازمند حجم عظیمی از داده‌های آموزشی با کیفیت است. جمع‌آوری چنین داده‌هایی، به‌ویژه در حوزه شیمی که با پیچیدگی‌های ساختاری و آزمایش‌های پرهزینه همراه است، اغلب چالش‌برانگیز، زمان‌بر و گران‌قیمت است. این محدودیت در دسترسی به داده، مانعی جدی در برابر پیشرفت و ارتقاء عملکرد مدل‌های یادگیری ماشین محسوب می‌شود.

الهام گرفته از موفقیت‌های چشمگیر تکنیک‌های افزایش داده (Data Augmentation) در حوزه‌هایی چون بینایی ماشین (Computer Vision) و پردازش زبان طبیعی (Natural Language Processing)، محققان در یک پژوهش اخیر، ابزار نوآورانه‌ای به نام آگ‌لی‌کم (AugLiChem) را معرفی کرده‌اند. آگ‌لی‌کم، کتابخانه‌ای پیشرفته برای افزایش داده ساختارهای شیمیایی است که به طور خاص برای رفع چالش کمبود داده در توسعه مدل‌های یادگیری ماشین شیمی طراحی شده است.

مقاله “AugLiChem: Data Augmentation Library of Chemical Structures for Machine Learning” که توسط تیمی از پژوهشگران برجسته منتشر شده است، به یکی از اساسی‌ترین مشکلات در مسیر به‌کارگیری هوش مصنوعی در شیمی پرداخته است: کمبود داده‌های آموزشی با کیفیت. این مقاله نه تنها یک راه حل عملی ارائه می‌دهد، بلکه مبنایی برای تحقیقات آتی در زمینه استفاده از ML برای کشف و طراحی مواد جدید فراهم می‌کند.

اهمیت این پژوهش از آنجا ناشی می‌شود که با اتخاذ رویکرد افزایش داده، امکان بهره‌برداری بیشتر از مجموعه داده‌های موجود را فراهم می‌سازد. این امر به طور مستقیم به موارد زیر منجر می‌شود:

• کاهش هزینه‌ها و زمان: نیاز به جمع‌آوری داده‌های جدید و تجربی را به شدت کاهش می‌دهد.
• افزایش استحکام و دقت مدل‌ها: مدل‌های ML قادر به یادگیری الگوهای پیچیده‌تر و تعمیم بهتر به داده‌های نادیده خواهند بود.
• تسریع روند اکتشاف مواد: با بهبود عملکرد مدل‌ها، سرعت کشف و طراحی مولکول‌ها و مواد با خواص مطلوب افزایش می‌یابد.
• قابلیت دسترسی بیشتر: امکان توسعه و به‌کارگیری مدل‌های پیشرفته ML را برای پژوهشگران و صنایعی که دسترسی محدودی به داده‌های حجیم دارند، فراهم می‌آورد.

این پژوهش توسط گروهی از محققان شامل Rishikesh Magar, Yuyang Wang, Cooper Lorsung, Chen Liang, Hariharan Ramasubramanian, Peiyuan Li, و Amir Barati Farimani انجام شده است. دکتر امیر باراتی فررمانی (Amir Barati Farimani) که از پیشگامان در حوزه استفاده از یادگیری ماشین در فیزیک و شیمی است، نقش کلیدی در هدایت این پروژه ایفا کرده است.

زمینه تحقیق این مقاله در تقاطع میان یادگیری ماشین (Machine Learning)، فیزیک شیمی (Chemical Physics)، و علوم مواد (Materials Science) قرار دارد. تمرکز اصلی بر روی چگونگی استفاده از تکنیک‌های محاسباتی نوین برای حل مسائل پیچیده در پیش‌بینی خواص شیمیایی و فیزیکی مواد است.

چکیده مقاله بیان می‌کند که یادگیری ماشین قابلیت پیش‌بینی دقیق و کارآمد خواص مولکول‌ها و مواد بلورین را نشان داده است. اما توسعه مدل‌های ML بسیار دقیق، نیازمند مجموعه‌داده‌های حجیم است. جمع‌آوری داده‌های تمیز و کافی در حوزه شیمی، گران و زمان‌بر است و عملکرد مدل‌های ML را محدود می‌کند.

برای غلبه بر این چالش، نویسندگان کتابخانه آگ‌لی‌کم را توسعه داده‌اند. این کتابخانه روش‌های افزایش داده را هم برای سیستم‌های بلورین و هم برای مولکول‌ها ارائه می‌دهد. این روش‌ها قابل استفاده برای مدل‌های ML مبتنی بر اثر انگشت (fingerprint-based ML models) و شبکه‌های عصبی گرافی (Graph Neural Networks – GNNs) هستند. نویسندگان نشان داده‌اند که استفاده از استراتژی‌های افزایش داده آگ‌لی‌کم، عملکرد مدل‌های ML را به طور قابل توجهی، به‌ویژه با GNNها، بهبود می‌بخشد. علاوه بر این، افزونه‌های توسعه‌یافته می‌توانند به صورت یک ماژول مستقیم در طول آموزش مدل‌ها مورد استفاده قرار گیرند و اثربخشی آن‌ها با پیاده‌سازی در مدل‌های مختلف GNN از طریق کتابخانه آگ‌لی‌کم نشان داده شده است. بسته نرم‌افزاری مبتنی بر پایتون این پیاده‌سازی به صورت عمومی در دسترس است.

روش‌شناسی تحقیق در این مقاله بر پایه توسعه و به‌کارگیری تکنیک‌های افزایش داده استوار است. ایده اصلی این است که چگونه می‌توان بدون نیاز به جمع‌آوری داده‌های تجربی جدید، تنوع داده‌های موجود را افزایش داد تا مدل‌های ML بتوانند بهتر آموزش ببینند و تعمیم‌پذیرتر شوند.

روش‌های افزایش داده توسعه‌یافته در آگ‌لی‌کم را می‌توان به دو دسته کلی تقسیم کرد:

1. افزایش داده برای ساختارهای بلورین (Crystalline Systems):

   این روش‌ها شامل دستکاری‌هایی در ساختار هندسی و اتمی مواد بلورین است که منجر به تولید نمونه‌های داده جدید با حفظ ماهیت اصلی ماده می‌شود. این دستکاری‌ها می‌توانند شامل موارد زیر باشند:

   • اغتشاش اتمی (Atomic Perturbations): جابجایی‌های کوچک و سیستماتیک اتم‌ها در شبکه بلوری.
   • تغییرات در پارامترهای شبکه (Lattice Parameter Variations): انقباض یا انبساط جزئی پارامترهای واحد سلول بلوری.
   • جایگزینی ایزوتوپی (Isotopic Substitution): جایگزینی اتم‌ها با ایزوتوپ‌های سنگین‌تر یا سبک‌تر، که می‌تواند بر خواصی مانند خواص حرارتی تأثیر بگذارد.
   • افزایش تقارن (Symmetry Augmentations): اعمال تبدیلات تقارنی برای تولید انواع مختلفی از چینش‌های اتمی.

   این رویکردها به مدل‌های ML کمک می‌کنند تا حساسیت کمتری نسبت به تغییرات جزئی در ساختار بلورین داشته باشند و بتوانند خواصی مانند پایداری، گاف انرژی، و خواص مکانیکی را با دقت بالاتری پیش‌بینی کنند.

2. افزایش داده برای مولکول‌ها (Molecules):

   این روش‌ها بر روی تغییرات ساختاری و شیمیایی در مولکول‌ها تمرکز دارند:

   • تغییرات ایزومری (Isomeric Transformations): تولید ایزومرهای مختلف یک مولکول، مانند ایزومرهای فضایی (stereoisomers) یا ایزومرهای ساختاری (structural isomers)، اگرچه این مورد نیازمند دقت بیشتری در تعریف محدوده تغییرات است.
   • افزودن یا حذف گروه‌های عاملی کوچک (Addition/Removal of Small Functional Groups): تغییرات جزئی در ساختار مولکولی با افزودن یا حذف اتم‌ها یا گروه‌های کوچک، برای بررسی تأثیرات کوچک.
   • تغییرات در هندسه مولکولی (Molecular Geometry Perturbations): ایجاد تغییرات کوچک در زوایای پیوند و طول پیوندها.
   • افزایش مبتنی بر خواص (Property-Guided Augmentations): ایجاد تغییرات ساختاری که انتظار می‌رود تأثیر مشخصی بر یک خاصیت خاص داشته باشند (مثلاً تغییر گروهی که انتظار می‌رود حلالیت را تغییر دهد).

   این تکنیک‌ها به مدل‌ها کمک می‌کنند تا درک بهتری از رابطه بین ساختار سه‌بعدی و خواص مولکولی پیدا کنند.

تمامی این روش‌ها طوری طراحی شده‌اند که با دو رویکرد اصلی در مدل‌سازی مولکولی در یادگیری ماشین سازگار باشند:

• مدل‌های مبتنی بر اثر انگشت (Fingerprint-based ML Models): در این مدل‌ها، ساختار مولکولی یا بلورین ابتدا به یک بردار عددی (اثر انگشت) تبدیل می‌شود و سپس این بردار به عنوان ورودی مدل ML استفاده می‌شود. افزایش داده در اینجا به معنای ایجاد تغییراتی در ساختار است که منجر به تغییراتی معنا‌دار اما قابل پیش‌بینی در اثر انگشت می‌شود.
• شبکه‌های عصبی گرافی (Graph Neural Networks – GNNs): GNNها ساختار شیمیایی را مستقیماً به عنوان یک گراف در نظر می‌گیرند (اتم‌ها گره‌ها و پیوندها یال‌ها هستند). روش‌های افزایش داده در GNNها معمولاً شامل تغییراتی در این گراف است، مانند افزودن یا حذف یال‌ها (پیوندها)، تغییر ویژگی‌های گره‌ها (اتم‌ها) یا یال‌ها.

کتابخانه آگ‌لی‌کم به عنوان یک ماژول پلاگین (plug-in module) طراحی شده است، به این معنی که می‌توان آن را به راحتی در فرآیند آموزش مدل‌های یادگیری ماشین موجود ادغام کرد، بدون نیاز به بازنویسی گسترده کد.

یافته‌های اصلی این پژوهش بر اثربخشی رویکرد افزایش داده در بهبود عملکرد مدل‌های یادگیری ماشین برای پیش‌بینی خواص شیمیایی و مواد تأکید دارند:

• بهبود قابل توجه عملکرد مدل‌ها: نتایج تجربی نشان داد که استفاده از استراتژی‌های افزایش داده ارائه شده در آگ‌لی‌کم، به طور چشمگیری دقت مدل‌های یادگیری ماشین را افزایش می‌دهد. این بهبود به ویژه در مورد شبکه‌های عصبی گرافی (GNNs) برجسته است. GNNها به دلیل توانایی‌شان در درک ساختارهای پیچیده، از این روش‌های افزایش داده به بهترین نحو بهره می‌برند.
• مقاومت بیشتر مدل‌ها: مدل‌های آموزش‌دیده با استفاده از داده‌های افزایش‌یافته، نسبت به تغییرات جزئی در ورودی‌ها مقاوم‌تر می‌شوند. این به معنای قابلیت اطمینان بیشتر پیش‌بینی‌ها در سناریوهای واقعی است.
• اثرگذاری افزونه‌های آگ‌لی‌کم: قابلیت استفاده از روش‌های آگ‌لی‌کم به عنوان یک ماژول مستقل و قابل ادغام، یک دستاورد مهم است. این امکان را فراهم می‌آورد که پژوهشگران بدون نیاز به دانش عمیق در زمینه افزایش داده، بتوانند از این ابزار قدرتمند استفاده کنند.
• کاربرد در انواع مدل‌های GNN: اثربخشی آگ‌لی‌کم تنها به یک نوع خاص از GNN محدود نمی‌شود، بلکه با مدل‌های مختلف GNN که برای کاربردهای شیمیایی طراحی شده‌اند، نتایج مثبتی را به همراه دارد.
• ارائه یک ابزار متن‌باز: انتشار عمومی کد کتابخانه آگ‌لی‌کم در پلتفرم‌هایی مانند GitHub، امکان استفاده گسترده، توسعه و همکاری جامعه علمی را فراهم می‌کند. این شفافیت و دسترسی‌پذیری، توسعه علم را تسریع می‌بخشد.

کتابخانه آگ‌لی‌کم دریچه‌ای نو به سوی کاربردهای گسترده‌تر یادگیری ماشین در علوم شیمی و مواد گشوده است. دستاوردهای این پژوهش پیامدهای عملی مهمی دارند:

• اکتشاف و طراحی دارو (Drug Discovery and Design): با بهبود دقت پیش‌بینی خواص مولکولی مانند سمیت، فراهمی زیستی، و قدرت اتصال به اهداف دارویی، آگ‌لی‌کم می‌تواند به تسریع فرآیند کشف داروهای جدید کمک کند.
• توسعه مواد جدید (New Materials Development): در طراحی مواد با خواص مطلوب برای کاربردهای مختلف (مانند مواد کاتالیزوری، باتری‌ها، نیمه‌هادی‌ها، و مواد ترموالکتریک)، دقت پیش‌بینی خواص بلورین اهمیت حیاتی دارد. آگ‌لی‌کم با تقویت مدل‌های پیش‌بینی، این فرآیند را تسهیل می‌بخشد.
• شبیه‌سازی و مدل‌سازی پیشرفته: امکان ایجاد مدل‌های ML قوی‌تر، به شبیه‌سازی‌های محاسباتی دقیق‌تر و مقرون‌به‌صرفه‌تر کمک می‌کند و نیاز به آزمایش‌های فیزیکی گران‌قیمت را کاهش می‌دهد.
• آموزش و پژوهش: در محیط‌های آکادمیک، آگ‌لی‌کم ابزاری ارزشمند برای آموزش دانشجویان در زمینه یادگیری ماشین در شیمی و همچنین انجام پروژه‌های تحقیقاتی نوآورانه است.
• دسترسی به ابزارهای پیشرفته: با متن‌باز بودن، این کتابخانه ابزارهای پیشرفته‌ای را در اختیار پژوهشگرانی قرار می‌دهد که ممکن است منابع کافی برای توسعه ابزارهای مشابه از ابتدا را نداشته باشند.

مقاله “آگ‌لی‌کم: کتابخانه افزایش داده ساختارهای شیمیایی برای یادگیری ماشین” گامی مهم در جهت غلبه بر یکی از موانع اساسی در به‌کارگیری یادگیری ماشین در علوم شیمی و مواد برداشته است. با ارائه یک مجموعه جامع از روش‌های افزایش داده برای ساختارهای مولکولی و بلورین، و پیاده‌سازی آن در قالبی کاربرپسند و قابل ادغام، این پژوهش به طور قابل توجهی پتانسیل مدل‌های یادگیری ماشین را ارتقا داده است.

یافته‌های این مقاله نشان می‌دهند که با استفاده از آگ‌لی‌کم، می‌توان مدل‌هایی با دقت و استحکام بالاتر ساخت، که این امر به نوبه خود، فرآیند کشف و طراحی مولکول‌ها و مواد جدید را تسریع می‌بخشد. اهمیت این دستاورد در عصر حاضر که نیاز به راه‌حل‌های سریع و نوآورانه برای چالش‌های جهانی در حوزه‌های انرژی، سلامت و محیط زیست بیش از هر زمان دیگری احساس می‌شود، دوچندان است.

کتابخانه آگ‌لی‌کم به عنوان یک منبع متن‌باز، نه تنها ابزاری قدرتمند را در اختیار جامعه علمی قرار می‌دهد، بلکه راه را برای تحقیقات آینده در زمینه توسعه الگوریتم‌های پیشرفته‌تر افزایش داده و کاربردهای جدید یادگیری ماشین در علوم شیمی و مواد هموار می‌سازد. این پژوهش نمونه‌ای عالی از چگونگی ترکیب نوآوری‌های محاسباتی با نیازهای علمی عملی برای پیشبرد مرزهای دانش است.