Ludzki mózg działa wyłącznie dzięki reakcjom chemicznym, a mimo to bywa nazywany najpotężniejszym komputerem na świecie. Europejski projekt CORENET sprawdził, czy na podobnej zasadzie można liczyć w laboratorium: sieci reakcji chemicznych w mikrofluidycznych reaktorach przetwarzały dane, a sztuczna inteligencja odczytywała z nich odpowiedzi. To przykład badań, w których chemia, informatyka i analiza danych spotykają się przy jednym stole — a na końcu można sprawdzić, czy taki styl pracy pasuje do ciebie.
Gdy mowa o komputerach, zwykle przed oczami pojawiają się procesory, kable i ekrany. Materiał opublikowany przez serwis CORDIS zaczyna się jednak od innego porównania: najpotężniejszym komputerem na świecie ma być ludzki mózg, a on opiera się wyłącznie na reakcjach chemicznych. Stąd pytanie, które postawili sobie badacze z europejskiego projektu CORENET — czy chemię da się wykorzystać jako model dla zupełnie nowego rodzaju obliczeń?
Projekt, wspierany przez Unię Europejską i finansowany przez Europejską Radę ds. Innowacji, miał doprowadzić do budowy urządzeń komputerowych, które imitują pracę mózgu. Informację przetwarzają w nich sieci reakcji chemicznych, w skrócie CRN. Cząsteczki stają się tu nośnikiem danych, a ich przemiany — sposobem na obróbkę tych danych.
Wilhelm Huck, profesor i kierownik zespołu CORENET na Uniwersytecie Radboud w Holandii, tłumaczy to tak: „Naszą inspiracją był ludzki mózg, który sam w sobie jest procesorem chemicznym. Postanowiliśmy więc wykazać, że sieci reakcji dynamicznych, zawarte w środowiskach mikrofluidycznych, mogą wykonywać zadania obliczeniowe na wysokim poziomie”.
Technika, z której skorzystali naukowcy, nosi nazwę obliczeń rezerwuarowych. Zespół wdrożył ją na mikrofluidycznych układach scalonych, czyli w reaktorach, przez które przepływają substancje chemiczne. Punktem wyjścia jest warstwa wejściowa. Składają się na nią:
Tak przygotowany układ tworzy właśnie rezerwuar. Reakcje zaczynają się od prostych cząsteczek zawierających jeden lub dwa atomy węgla, a potem stopniowo rozszerzają przestrzeń chemiczną. W efekcie w mieszaninie pojawiają się dziesiątki związków o bardziej złożonej strukturze.
Najważniejsze jest to, że wynik reakcji nie jest przypadkowy. Warunki wejściowe przekładają się na określony skład produktów, więc inne ustawienia na starcie dają inny wzór cząsteczek na wyjściu. Taką chemiczną odpowiedź można następnie przeanalizować.
Tu do gry wchodzą sztuczna inteligencja i uczenie maszynowe. Algorytmy wyodrębniają z odpowiedzi chemicznej znaczące informacje. W praktyce reakcje wykonują więc część pracy obliczeniowej, a narzędzia AI pomagają odczytać, co z niej wynika.
Za kluczowy wynik zespół uznał opracowanie i automatyzację przepływów pracy chemicznych obliczeń rezerwuarowych. Substancje płynące przez mikrofluidyczne reaktory dawały nieliniowe dane wyjściowe, które analizowano i interpretowano, by rozwiązywać problemy klasyfikacji i predykcji — czyli zadania dobrze znane każdemu, kto miał styczność z uczeniem maszynowym.
Badacze przygotowali też protokoły do kontrolowania, monitorowania i sterowania sieciami reakcji. Według materiału to ważny krok w stronę skalowalnych obliczeń opartych na cząsteczkach.
Wyniki opisano w artykule, który CORDIS nazywa przełomowym. Ukazał się w czasopiśmie „Nature” pod tytułem Chemical reservoir computation in a self-organizing reaction network i pokazał, że reakcje formozowe oraz powiązane z nimi układy mogą pełnić rolę podłoża obliczeń molekularnych. Prace następcze dobiegają końca: mają dowieść, że koncepcję da się uogólnić, a wydajny komputer rezerwuarowy zbudować na nowo opracowanej sieci reakcji.
Projekt CORENET dobrze pokazuje, jak zacierają się granice między kierunkami studiów. Andres de la Escosura, koordynator projektu i adiunkt na Uniwersytecie Autonomicznym w Madrycie, podkreśla, że sukces był możliwy dzięki współpracy wielu specjalności: „Byliśmy zachwyceni sukcesem tego podejścia i tym, jak nasza niezwykła grupa naukowców akademickich i przemysłowych zjednoczyła się, aby podjąć się tego wielkiego wyzwania połączenia chemii systemów, mikrofluidyki, metabolomiki i sztucznej inteligencji”.
Z perspektywy osoby wybierającej studia albo specjalizację płynie z tego kilka wniosków. Chemik, który rozumie analizę danych, może trafić do zespołu pracującego nad przyszłością obliczeń. Z kolei informatyk czy specjalista od uczenia maszynowego może znaleźć ciekawe zadania tam, gdzie dane pochodzą nie z ekranu, lecz z mikroreaktora. Warto też zauważyć, że w zespole pracowali razem naukowcy akademiccy i przemysłowi, więc tego typu badania nie zamykają się w murach uczelni.
Patrząc na to, czym zajmował się zespół, można wskazać kilka obszarów wiedzy, które w takich projektach spotykają się na co dzień: chemię reakcji i katalizy, pracę z mikrofluidyką, analizę składu mieszanin oraz uczenie maszynowe. Nikt nie musi znać wszystkich naraz, ale łatwiej odnaleźć się w takim zespole, gdy rozumie się język sąsiednich dziedzin.
CORENET to próba zbudowania urządzeń obliczeniowych, w których informację przetwarzają reakcje chemiczne — na wzór ludzkiego mózgu. Badacze pokazali, że sieci reakcji w mikrofluidycznych reaktorach dają odpowiedzi, które sztuczna inteligencja potrafi przełożyć na rozwiązanie zadań klasyfikacji i predykcji. Do takiej pracy potrzeba ludzi z różnych dziedzin, od chemii systemów po sztuczną inteligencję.
Artykuł powstał na podstawie materiału serwisu CORDIS Komisji Europejskiej.
5 pytań · minuta
poleca:
