ਨਕਲੀ ਬੁੱਧੀ ਕੁਝ ਸਮੇਂ ਤੋਂ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕਰ ਰਹੀ ਹੈ, ਅਤੇ - ਚੁੱਪਚਾਪ ਪਰ ਸਥਿਰਤਾ ਨਾਲ - ਇਹ ਖੇਤਰ ਨੂੰ ਉਨ੍ਹਾਂ ਤਰੀਕਿਆਂ ਨਾਲ ਮੁੜ ਆਕਾਰ ਦੇ ਰਹੀ ਹੈ ਜੋ ਲਗਭਗ ਵਿਗਿਆਨ-ਗਲਪ ਜਾਪਦੇ ਹਨ। ਡਰੱਗ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਕੋਈ ਵੀ ਮਨੁੱਖ ਨਹੀਂ ਦੇਖ ਸਕਦਾ ਸੀ, ਪ੍ਰਤੀਕ੍ਰਿਆ ਮਾਰਗਾਂ ਦੀ ਮੈਪਿੰਗ ਕਰਨ ਤੱਕ ਜੋ ਤਜਰਬੇਕਾਰ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਕਈ ਵਾਰ ਗੁਆ ਦਿੰਦੇ ਹਨ, AI ਹੁਣ ਸਿਰਫ਼ ਇੱਕ ਲੈਬ ਸਹਾਇਕ ਨਹੀਂ ਹੈ। ਇਹ ਸਪਾਟਲਾਈਟ ਵਿੱਚ ਆ ਰਿਹਾ ਹੈ। ਪਰ ਅਸਲ ਵਿੱਚ ਰਸਾਇਣ ਵਿਗਿਆਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ AI ਵੱਖਰਾ ਬਣਾਉਂਦਾ ਹੈ? ਆਓ ਇੱਕ ਡੂੰਘੀ ਵਿਚਾਰ ਕਰੀਏ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ: ਨਵੀਨਤਾ ਦਾ ਭਵਿੱਖ
ਕਿਵੇਂ ਏਆਈ ਅਤੇ ਡੇਟਾ ਸਾਇੰਸ ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਅਤੇ ਕਾਰੋਬਾਰ ਨੂੰ ਬਦਲ ਰਹੇ ਹਨ।.
🔗 ਡਾਟਾ ਰਣਨੀਤੀ ਨੂੰ ਸੁਪਰਚਾਰਜ ਕਰਨ ਲਈ ਸਿਖਰਲੇ 10 AI ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲ
ਕਾਰਵਾਈਯੋਗ ਸੂਝ, ਭਵਿੱਖਬਾਣੀ, ਅਤੇ ਚੁਸਤ ਫੈਸਲਿਆਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਪਲੇਟਫਾਰਮ।.
🔗 ਕਿਸੇ ਵੀ ਚੀਜ਼ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਲਈ ਸਿਖਰਲੇ 10 ਸਿੱਖਣ ਵਾਲੇ AI ਟੂਲ
ਸ਼ਕਤੀਸ਼ਾਲੀ, AI-ਸੰਚਾਲਿਤ ਸਿਖਲਾਈ ਪਲੇਟਫਾਰਮਾਂ ਨਾਲ ਆਪਣੇ ਹੁਨਰਾਂ ਨੂੰ ਤੇਜ਼ ਕਰੋ।.
ਕੈਮਿਸਟਰੀ ਏਆਈ ਅਸਲ ਵਿੱਚ ਕੀ ਲਾਭਦਾਇਕ ਬਣਾਉਂਦਾ ਹੈ? 🧪
ਸਾਰੇ ਰਸਾਇਣ-ਕੇਂਦ੍ਰਿਤ AI ਇੱਕੋ ਜਿਹੇ ਨਹੀਂ ਬਣਾਏ ਜਾਂਦੇ। ਕੁਝ ਔਜ਼ਾਰ ਚਮਕਦਾਰ ਡੈਮੋ ਹੁੰਦੇ ਹਨ ਜੋ ਅਸਲ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵਿੱਚ ਟੈਸਟ ਕੀਤੇ ਜਾਣ 'ਤੇ ਫਲਾਪ ਹੋ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਦੂਸਰੇ, ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਵਿਹਾਰਕ-ਬਚਤ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੇ ਅੰਨ੍ਹੇ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ ਸਾਬਤ ਕਰਦੇ ਹਨ।.
ਇੱਥੇ ਉਹ ਗੱਲਾਂ ਹਨ ਜੋ ਠੋਸਾਂ ਨੂੰ ਚਾਲਾਂ ਤੋਂ ਵੱਖ ਕਰਦੀਆਂ ਹਨ:
-
ਭਵਿੱਖਬਾਣੀਆਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ: ਕੀ ਇਹ ਨਿਰੰਤਰ ਅਣੂ ਗੁਣਾਂ ਜਾਂ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ?
-
ਵਰਤੋਂ ਵਿੱਚ ਸੌਖ: ਬਹੁਤ ਸਾਰੇ ਕੈਮਿਸਟ ਕੋਡਰ ਨਹੀਂ ਹੁੰਦੇ। ਇੱਕ ਸਪਸ਼ਟ ਇੰਟਰਫੇਸ ਜਾਂ ਨਿਰਵਿਘਨ ਏਕੀਕਰਨ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ।
-
ਸਕੇਲੇਬਿਲਟੀ: ਉਪਯੋਗੀ AI ਕੁਝ ਅਣੂਆਂ 'ਤੇ ਵੀ ਓਨੀ ਹੀ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ ਜਿੰਨੀ ਇਹ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ 'ਤੇ ਕਰਦਾ ਹੈ।
-
ਲੈਬ ਵਰਕਫਲੋ ਏਕੀਕਰਣ: ਸਲਾਈਡਾਂ ਨੂੰ ਵਧੀਆ ਦਿਖਣ ਲਈ ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ - ਜਦੋਂ AI ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਕਲਪਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ ਤਾਂ ਅਸਲ ਉਪਯੋਗਤਾ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ।
-
ਭਾਈਚਾਰਾ ਅਤੇ ਸਹਾਇਤਾ: ਸਰਗਰਮ ਵਿਕਾਸ, ਦਸਤਾਵੇਜ਼ੀਕਰਨ, ਅਤੇ ਪੀਅਰ-ਸਮੀਖਿਆ ਕੀਤੇ ਸਬੂਤ ਇੱਕ ਵੱਡਾ ਫ਼ਰਕ ਪਾਉਂਦੇ ਹਨ।
ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ: ਸਭ ਤੋਂ ਵਧੀਆ AI ਰੋਜ਼ਾਨਾ ਵਰਤੋਂਯੋਗਤਾ ਦੇ ਨਾਲ ਕੱਚੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਸਪੇਸ਼ੀ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ।.
ਤੇਜ਼ ਵਿਧੀ ਨੋਟ: ਹੇਠਾਂ ਦਿੱਤੇ ਟੂਲਸ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਗਈ ਸੀ ਜੇਕਰ ਉਹਨਾਂ ਕੋਲ ਪੀਅਰ-ਸਮੀਖਿਆ ਕੀਤੇ ਨਤੀਜੇ, ਅਸਲ-ਸੰਸਾਰ ਤੈਨਾਤੀ ਦੇ ਸਬੂਤ (ਅਕਾਦਮਿਕ ਜਾਂ ਉਦਯੋਗ), ਅਤੇ ਪ੍ਰਜਨਨਯੋਗ ਮਾਪਦੰਡ ਸਨ। ਜਦੋਂ ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਕੁਝ "ਕੰਮ ਕਰਦਾ ਹੈ", ਤਾਂ ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਅਸਲ ਪ੍ਰਮਾਣਿਕਤਾ ਹੈ - ਕਾਗਜ਼, ਡੇਟਾਸੈੱਟ, ਜਾਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਢੰਗ - ਸਿਰਫ਼ ਮਾਰਕੀਟਿੰਗ ਸਲਾਈਡਾਂ ਹੀ ਨਹੀਂ।
ਸਨੈਪਸ਼ਾਟ: ਕੈਮਿਸਟਰੀ ਲਈ ਪ੍ਰਮੁੱਖ AI ਟੂਲ 📊
| ਔਜ਼ਾਰ / ਪਲੇਟਫਾਰਮ | ਇਹ ਕਿਸ ਲਈ ਹੈ | ਕੀਮਤ / ਪਹੁੰਚ* | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ (ਜਾਂ ਨਹੀਂ ਕਰਦਾ) |
|---|---|---|---|
| ਡੀਪਕੈਮ | ਸਿੱਖਿਆ ਸ਼ਾਸਤਰੀ ਅਤੇ ਸ਼ੌਕੀਨ | ਮੁਫ਼ਤ / ਓ.ਐੱਸ.ਐੱਸ | ਪਰਿਪੱਕ ML ਟੂਲਕਿੱਟ + MoleculeNet ਬੈਂਚਮਾਰਕ; ਕਸਟਮ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਧੀਆ [5] |
| ਸ਼੍ਰੋਡਿੰਗਰ ਏਆਈ/ਭੌਤਿਕ ਵਿਗਿਆਨ | ਫਾਰਮਾ ਖੋਜ ਅਤੇ ਵਿਕਾਸ | ਐਂਟਰਪ੍ਰਾਈਜ਼ | ਮਜ਼ਬੂਤ ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਾਲ ਉੱਚ-ਸ਼ੁੱਧਤਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਮਾਡਲਿੰਗ (ਜਿਵੇਂ ਕਿ, FEP) [4] |
| ਰਸਾਇਣ ਵਿਗਿਆਨ ਲਈ IBM RXN | ਵਿਦਿਆਰਥੀ ਅਤੇ ਖੋਜਕਰਤਾ | ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਦੀ ਲੋੜ ਹੈ | ਟ੍ਰਾਂਸਫਾਰਮਰ-ਅਧਾਰਤ ਪ੍ਰਤੀਕ੍ਰਿਆ ਭਵਿੱਖਬਾਣੀ; ਟੈਕਸਟ-ਵਰਗੇ SMILES ਇਨਪੁੱਟ ਕੁਦਰਤੀ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ [2] |
| ਕੈਮਟੀਐਸ (ਟੋਕੀਓ ਯੂਨੀਵਰਸਿਟੀ) | ਅਕਾਦਮਿਕ ਮਾਹਿਰ | ਖੋਜ ਕੋਡ | ਜਨਰੇਟਿਵ ਅਣੂ ਡਿਜ਼ਾਈਨ; ਵਿਸ਼ੇਸ਼ ਪਰ ਵਿਚਾਰ ਲਈ ਸੁਵਿਧਾਜਨਕ (ML ਚੋਪਸ ਦੀ ਲੋੜ ਹੈ) |
| ਅਲਫ਼ਾਫੋਲਡ (ਡੀਪਮਾਈਂਡ) | ਢਾਂਚਾਗਤ ਜੀਵ ਵਿਗਿਆਨੀ | ਮੁਫ਼ਤ / ਖੁੱਲ੍ਹੀ ਪਹੁੰਚ | ਬਹੁਤ ਸਾਰੇ ਟੀਚਿਆਂ 'ਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਨੇੜੇ ਸ਼ੁੱਧਤਾ 'ਤੇ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ [1] |
| ਮੋਲਜੀਪੀਟੀ | ਏਆਈ ਡਿਵੈਲਪਰ | ਖੋਜ ਕੋਡ | ਲਚਕਦਾਰ ਜਨਰੇਟਿਵ ਮਾਡਲਿੰਗ; ਸੈੱਟਅੱਪ ਤਕਨੀਕੀ ਹੋ ਸਕਦਾ ਹੈ |
| ਕੈਮੇਟਿਕਾ (ਸਿੰਥੀਆ) | ਉਦਯੋਗਿਕ ਰਸਾਇਣ ਵਿਗਿਆਨੀ | ਐਂਟਰਪ੍ਰਾਈਜ਼ ਲਾਇਸੰਸ | ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵਿੱਚ ਕੰਪਿਊਟਰ-ਯੋਜਨਾਬੱਧ ਰੂਟ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ; ਡੈੱਡ-ਐਂਡ ਸੰਸਲੇਸ਼ਣ ਤੋਂ ਬਚਦਾ ਹੈ [3] |
*ਕੀਮਤ/ਪਹੁੰਚ ਬਦਲ ਸਕਦੀ ਹੈ - ਹਮੇਸ਼ਾ ਵਿਕਰੇਤਾ ਨਾਲ ਸਿੱਧਾ ਸੰਪਰਕ ਕਰੋ।.
ਸਪੌਟਲਾਈਟ: ਕੈਮਿਸਟਰੀ ਲਈ IBM RXN ✨
ਸਭ ਤੋਂ ਵੱਧ ਪਹੁੰਚਯੋਗ ਪਲੇਟਫਾਰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ IBM RXN। ਇਹ ਇੱਕ ਟ੍ਰਾਂਸਫਾਰਮਰ (ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਪਰ ਰਸਾਇਣਕ SMILES ਤਾਰਾਂ ਨਾਲ) ਜੋ ਆਪਣੇ ਖੁਦ ਦੇ ਵਿਸ਼ਵਾਸ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹੋਏ ਉਤਪਾਦਾਂ ਲਈ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਅਤੇ ਰੀਐਜੈਂਟਾਂ ਨੂੰ ਮੈਪ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੈ।
ਅਭਿਆਸ ਵਿੱਚ, ਤੁਸੀਂ ਇੱਕ ਪ੍ਰਤੀਕਿਰਿਆ ਜਾਂ SMILES ਸਟ੍ਰਿੰਗ ਪੇਸਟ ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ RXN ਤੁਰੰਤ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਘੱਟ "ਸਿਰਫ਼-ਟੈਸਟਿੰਗ" ਦੌੜਾਂ, ਵਾਅਦਾ ਕਰਨ ਵਾਲੇ ਵਿਕਲਪਾਂ 'ਤੇ ਵਧੇਰੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ।.
ਆਮ ਵਰਕਫਲੋ ਉਦਾਹਰਨ: ਤੁਸੀਂ ਇੱਕ ਸਿੰਥੈਟਿਕ ਰੂਟ ਸਕੈਚ ਕਰਦੇ ਹੋ, RXN ਇੱਕ ਹਿੱਲਦੇ ਕਦਮ (ਘੱਟ ਵਿਸ਼ਵਾਸ) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਬਿਹਤਰ ਪਰਿਵਰਤਨ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਘੋਲਕ ਨੂੰ ਛੂਹਣ ਤੋਂ ਪਹਿਲਾਂ ਯੋਜਨਾ ਨੂੰ ਠੀਕ ਕਰਦੇ ਹੋ। ਨਤੀਜਾ: ਘੱਟ ਬਰਬਾਦ ਸਮਾਂ, ਘੱਟ ਟੁੱਟੇ ਫਲਾਸਕ।
ਅਲਫ਼ਾਫੋਲਡ: ਰਸਾਇਣ ਵਿਗਿਆਨ ਦਾ ਰੌਕ ਸਟਾਰ 🎤🧬
ਜੇਕਰ ਤੁਸੀਂ ਵਿਗਿਆਨ ਦੀਆਂ ਸੁਰਖੀਆਂ ਦੀ ਪਾਲਣਾ ਕੀਤੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸ਼ਾਇਦ AlphaFold। ਇਸਨੇ ਜੀਵ ਵਿਗਿਆਨ ਦੀਆਂ ਸਭ ਤੋਂ ਔਖੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਹੱਲ ਕੀਤਾ: ਕ੍ਰਮ ਡੇਟਾ ਤੋਂ ਸਿੱਧੇ ਪ੍ਰੋਟੀਨ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ।
ਰਸਾਇਣ ਵਿਗਿਆਨ ਲਈ ਇਹ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ? ਪ੍ਰੋਟੀਨ ਗੁੰਝਲਦਾਰ ਅਣੂ ਹਨ ਜੋ ਡਰੱਗ ਡਿਜ਼ਾਈਨ, ਐਨਜ਼ਾਈਮ ਇੰਜੀਨੀਅਰਿੰਗ, ਅਤੇ ਜੈਵਿਕ ਵਿਧੀਆਂ ਨੂੰ ਸਮਝਣ ਲਈ ਕੇਂਦਰੀ ਹਨ। ਅਲਫ਼ਾਫੋਲਡ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਬਹੁਤ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਪ੍ਰਯੋਗਾਤਮਕ ਸ਼ੁੱਧਤਾ ਦੇ ਨੇੜੇ ਆ ਰਹੀਆਂ ਹਨ, ਇਸ ਨੂੰ ਇੱਕ ਸਫਲਤਾ ਕਹਿਣਾ ਅਤਿਕਥਨੀ ਨਹੀਂ ਹੈ ਜਿਸਨੇ ਪੂਰੇ ਖੇਤਰ ਨੂੰ ਬਦਲ ਦਿੱਤਾ [1]।.
ਡੀਪਕੈਮ: ਟਿੰਕਰਰਾਂ ਦਾ ਖੇਡ ਦਾ ਮੈਦਾਨ 🎮
ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਸ਼ੌਕੀਨਾਂ ਲਈ, ਡੀਪਕੈਮ ਮੂਲ ਰੂਪ ਵਿੱਚ ਇੱਕ ਸਵਿਸ-ਆਰਮੀ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਇਸ ਵਿੱਚ ਫੀਚਰਰਾਈਜ਼ਰ, ਤਿਆਰ ਮਾਡਲ, ਅਤੇ ਪ੍ਰਸਿੱਧ ਮੋਲੀਕਿਊਲਨੈੱਟ ਬੈਂਚਮਾਰਕ ਸ਼ਾਮਲ ਹਨ - ਜੋ ਤਰੀਕਿਆਂ ਵਿੱਚ ਸੇਬ-ਤੋਂ-ਸੇਬ ਦੀ ਤੁਲਨਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।
ਤੁਸੀਂ ਇਸਨੂੰ ਇਸ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ:
-
ਟ੍ਰੇਨ ਪੂਰਵ-ਅਨੁਮਾਨ (ਜਿਵੇਂ ਕਿ ਘੁਲਣਸ਼ੀਲਤਾ ਜਾਂ logP)
-
QSAR/ADMET ਬੇਸਲਾਈਨ ਬਣਾਓ
-
ਸਮੱਗਰੀ ਅਤੇ ਬਾਇਓ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਡੇਟਾਸੈੱਟਾਂ ਦੀ ਪੜਚੋਲ ਕਰੋ
ਇਹ ਡਿਵੈਲਪਰ-ਅਨੁਕੂਲ ਹੈ ਪਰ ਪਾਈਥਨ ਹੁਨਰਾਂ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ। ਵਪਾਰ-ਬੰਦ: ਇੱਕ ਸਰਗਰਮ ਭਾਈਚਾਰਾ ਅਤੇ ਮਜ਼ਬੂਤ ਪ੍ਰਜਨਨਯੋਗਤਾ ਸੱਭਿਆਚਾਰ [5]।.
AI ਪ੍ਰਤੀਕਿਰਿਆ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਕਿਵੇਂ ਵਧਾਉਂਦਾ ਹੈ 🧮
ਰਵਾਇਤੀ ਸੰਸਲੇਸ਼ਣ ਅਕਸਰ ਅਜ਼ਮਾਇਸ਼-ਭਾਰੀ ਹੁੰਦਾ ਹੈ। ਆਧੁਨਿਕ AI ਅਨੁਮਾਨਾਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਘਟਾਉਂਦਾ ਹੈ:
-
ਅੱਗੇ ਦੀਆਂ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ (ਤਾਂ ਜੋ ਤੁਹਾਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਉਹਨਾਂ 'ਤੇ ਕਦੋਂ ਨਹੀਂ ਕਰਨਾ ਹੈ) [2]
-
ਡੈੱਡ-ਐਂਡ ਅਤੇ ਨਾਜ਼ੁਕ ਸੁਰੱਖਿਆ ਸਮੂਹਾਂ ਨੂੰ ਛੱਡਦੇ ਹੋਏ ਰੀਟਰੋਸਿੰਥੈਟਿਕ ਰੂਟਾਂ ਦੀ ਮੈਪਿੰਗ [3]
-
ਤੇਜ਼, ਸਸਤੇ, ਜਾਂ ਵਧੇਰੇ ਸਕੇਲੇਬਲ ਵਿਕਲਪਾਂ ਦਾ ਸੁਝਾਅ ਦੇਣਾ
ਇੱਥੇ ਇੱਕ ਸ਼ਾਨਦਾਰ ਚੀਜ਼ ਕੈਮੇਟਿਕਾ (ਸਿੰਥੀਆ), ਜੋ ਮਾਹਰ ਰਸਾਇਣਕ ਤਰਕ ਅਤੇ ਖੋਜ ਰਣਨੀਤੀਆਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦੀ ਹੈ। ਇਸਨੇ ਪਹਿਲਾਂ ਹੀ ਸੰਸਲੇਸ਼ਣ ਰੂਟ ਤਿਆਰ ਕੀਤੇ ਹਨ ਜੋ ਅਸਲ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਚਲਾਏ ਗਏ ਸਨ - ਇੱਕ ਮਜ਼ਬੂਤ ਸਬੂਤ ਕਿ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਸਕ੍ਰੀਨ 'ਤੇ ਚਿੱਤਰਾਂ ਤੋਂ ਵੱਧ ਹੈ [3]।
ਕੀ ਤੁਸੀਂ ਇਹਨਾਂ ਔਜ਼ਾਰਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹੋ? 😬
ਇਮਾਨਦਾਰ ਜਵਾਬ: ਉਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ, ਪਰ ਨਿਰਦੋਸ਼ ਨਹੀਂ ਹਨ।
-
ਪੈਟਰਨਾਂ ਵਿੱਚ ਵਧੀਆ: ਟ੍ਰਾਂਸਫਾਰਮਰ ਜਾਂ GNN ਵਰਗੇ ਮਾਡਲ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ ਸੂਖਮ ਸਬੰਧਾਂ ਨੂੰ ਫੜਦੇ ਹਨ [2][5]।
-
ਗਲਤ ਨਹੀਂ: ਸਾਹਿਤਕ ਪੱਖਪਾਤ, ਗੁੰਮ ਸੰਦਰਭ, ਜਾਂ ਅਧੂਰਾ ਡੇਟਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮਵਿਸ਼ਵਾਸ ਵਾਲੀਆਂ ਗਲਤੀਆਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ।
-
ਮਨੁੱਖਾਂ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਸਭ ਤੋਂ ਵਧੀਆ: ਇੱਕ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਦੇ ਨਿਰਣੇ (ਹਾਲਾਤਾਂ, ਸਕੇਲ-ਅਪ, ਅਸ਼ੁੱਧੀਆਂ) ਨਾਲ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਜੋੜਨਾ ਅਜੇ ਵੀ ਜਿੱਤਦਾ ਹੈ।
ਛੋਟੀ ਕਹਾਣੀ: ਇੱਕ ਲੀਡ-ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟ ਨੇ ~12 ਸੰਭਾਵੀ ਬਦਲਾਂ ਨੂੰ ਦਰਜਾ ਦੇਣ ਲਈ ਮੁਫ਼ਤ-ਊਰਜਾ ਗਣਨਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਅਸਲ ਵਿੱਚ ਸਿਰਫ਼ ਸਿਖਰਲੇ 5 ਨੂੰ ਹੀ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ; 3 ਨੇ ਤੁਰੰਤ ਸ਼ਕਤੀ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕੀਤਾ। ਇਸਨੇ ਚੱਕਰ [4] ਤੋਂ ਹਫ਼ਤੇ ਘਟਾ ਦਿੱਤੇ। ਪੈਟਰਨ ਸਪੱਸ਼ਟ ਹੈ: AI ਖੋਜ ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ, ਮਨੁੱਖ ਫੈਸਲਾ ਕਰਦੇ ਹਨ ਕਿ ਕੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਯੋਗ ਹੈ।
ਚੀਜ਼ਾਂ ਕਿੱਥੇ ਜਾ ਰਹੀਆਂ ਹਨ 🚀
-
ਸਵੈਚਾਲਿਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ: ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ, ਚਲਾਉਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਐਂਡ-ਟੂ-ਐਂਡ ਸਿਸਟਮ।
-
ਹਰਾ ਸੰਸਲੇਸ਼ਣ: ਉਪਜ, ਲਾਗਤ, ਕਦਮਾਂ ਅਤੇ ਸਥਿਰਤਾ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਦਮ।
-
ਵਿਅਕਤੀਗਤ ਇਲਾਜ: ਮਰੀਜ਼-ਵਿਸ਼ੇਸ਼ ਜੀਵ ਵਿਗਿਆਨ ਦੇ ਅਨੁਸਾਰ ਤਿਆਰ ਕੀਤੀਆਂ ਤੇਜ਼ ਖੋਜ ਪਾਈਪਲਾਈਨਾਂ।
ਏਆਈ ਇੱਥੇ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਦੀ ਥਾਂ ਲੈਣ ਲਈ ਨਹੀਂ ਹੈ - ਇਹ ਉਹਨਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਹੈ।.
ਇਸਨੂੰ ਸਮੇਟਣਾ: ਸੰਖੇਪ ਵਿੱਚ ਰਸਾਇਣ ਵਿਗਿਆਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ AI 🥜
-
ਵਿਦਿਆਰਥੀ ਅਤੇ ਖੋਜਕਰਤਾ → IBM RXN, DeepChem [2][5]
-
ਫਾਰਮਾ ਅਤੇ ਬਾਇਓਟੈਕ → ਸ਼੍ਰੋਡਿੰਗਰ, ਸਿੰਥੀਆ [4][3]
-
ਢਾਂਚਾਗਤ ਜੀਵ ਵਿਗਿਆਨ → ਅਲਫ਼ਾਫੋਲਡ [1]
-
ਡਿਵੈਲਪਰ ਅਤੇ ਬਿਲਡਰ → ChemTS, MolGPT
ਸਿੱਟਾ: ਏਆਈ ਡੇਟਾ। ਇਹ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਦਾ ਹੈ, ਤੁਹਾਨੂੰ ਮਰੇ ਹੋਏ ਸਿਰਿਆਂ ਤੋਂ ਦੂਰ ਲੈ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸੂਝ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਅੰਤਿਮ ਪੁਸ਼ਟੀ ਅਜੇ ਵੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਹੈ।
ਹਵਾਲੇ
-
ਜੰਪਰ, ਜੇ. ਐਟ ਅਲ. "ਅਲਫ਼ਾਫੋਲਡ ਨਾਲ ਬਹੁਤ ਹੀ ਸਹੀ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ।" ਕੁਦਰਤ (2021)। ਲਿੰਕ
-
ਸ਼ਵਾਲਰ, ਪੀ. ਐਟ ਅਲ. "ਮੌਲੀਕਿਊਲਰ ਟ੍ਰਾਂਸਫਾਰਮਰ: ਅਨਿਸ਼ਚਿਤਤਾ-ਕੈਲੀਬ੍ਰੇਟਿਡ ਕੈਮੀਕਲ ਰਿਐਕਸ਼ਨ ਪ੍ਰੈਡੀਕਸ਼ਨ ਲਈ ਇੱਕ ਮਾਡਲ।" ਏਸੀਐਸ ਸੈਂਟਰਲ ਸਾਇੰਸ (2019)। ਲਿੰਕ
-
ਕਲੂਜ਼ਨਿਕ, ਟੀ. ਐਟ ਅਲ. "ਕੰਪਿਊਟਰ ਦੁਆਰਾ ਯੋਜਨਾਬੱਧ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਵਿਭਿੰਨ, ਚਿਕਿਤਸਕ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਟੀਚਿਆਂ ਦੇ ਕੁਸ਼ਲ ਸੰਸਲੇਸ਼ਣ।" ਕੈਮ (2018)। ਲਿੰਕ
-
ਵਾਂਗ, ਐਲ. ਐਟ ਅਲ. "ਇੱਕ ਆਧੁਨਿਕ ਫ੍ਰੀ-ਐਨਰਜੀ ਕੈਲਕੂਲੇਸ਼ਨ ਪ੍ਰੋਟੋਕੋਲ ਦੇ ਜ਼ਰੀਏ ਸੰਭਾਵੀ ਡਰੱਗ ਖੋਜ ਵਿੱਚ ਸਾਪੇਖਿਕ ਲਿਗੈਂਡ ਬਾਈਡਿੰਗ ਸ਼ਕਤੀ ਦੀ ਸਹੀ ਅਤੇ ਭਰੋਸੇਯੋਗ ਭਵਿੱਖਬਾਣੀ।" ਜੇ. ਐਮ. ਕੈਮ. ਸੋਕ. (2015). ਲਿੰਕ
-
ਵੂ, ਜ਼ੈੱਡ. ਐਟ ਅਲ. "ਮੌਲੀਕਿਊਲਨੈੱਟ: ਅਣੂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਈ ਇੱਕ ਮਾਪਦੰਡ।" ਕੈਮੀਕਲ ਸਾਇੰਸ (2018)। ਲਿੰਕ