Искусственный интеллект (Al)

Алгоритмы, первоначально разработанные исследователямикак artificial intelligence (AI) использовались для предсказания молекулярных свойств. Эти программы не обязательно "интеллектуальны" подобию человеку, они только включают некоторые из характеристик интеллекта, типа изучения новых данных или развития некоторого типа познания. Эти методы находятся еще в развитии и могут стать гораздо более развитыми в будущем.

Некоторые программы на основе AI качественные и обычно системы их решения основаны на определенных правилах. Например, программа может спросить пользователя о характеристиках полимера, который будет разработан. После получения достаточной информации, программа предложит, чтобы полимер был конденсационным или термореактивный, блок-сополимером и так далее. Это определение основано на скорее качественных описаниях, чем на числовых вычислениях.

Один из недостатков систем на основе правил - нечеткие логические системы. Эти программы используют статистические процессы принятия решений, в которых они могут объяснять факты, и определенная часть данных имеет только некоторый шанс для указания специфического результата. Все эти вероятности будут объединены в определенный порядок, а затем предсказывается конечный ответ.

Некоторые системы могут давать количественные результаты из частей известных данных. Например, эти системы могут использовать всю стартовую информацию и затем составить систему уравнений из доступного списка, который может выдавать желательный результат. Программа впоследствии в случае необходимости может преобразовывать или алгебраически решать уравнения.

Нервные сети - программы, которые моделируют структуру мозга и могут общаться друг с другом и делать очень простые вычисления, они работают аналогично путям, по которым работают нейроны в мозгу. Нервная сеть сначала должна быть первоначально обучена, передавая ей данные, для которых известны результаты. Затем сети можно давать и неизвестные данные, чтобы она делала предсказания. Это - своего рода методика вычерчивания эмпирической кривой и хороша для интерполяции существующих данных, но обычно недостаточна для экстраполяции результатов. Нервные сети могут хорошо предсказывать и нелинейные данные. Нервные сети могут быть перетренированы, таким образом приспосабливая их к аномалиям в установке обучения за счет более бедной работы при предсказании неизвестных свойств.

Другой класс на основе AI программ - программы de novo.

Эти программы обычно пробуют эффективно автоматизировать утомительные задачи, используя некоторые рациональные критерии, чтобы вести эмпирический процесс. Например, находя части в молекуле, которая хорошо затвердеет, связывающий участок, она требует испытания многих молекул во многих ориентациях в пределах этого участка. Программа de novo исследует связывающий участок, чтобы решить, какие необходимо найти ориентации молекулы, какие должны быть введены нуклеофильные и электрофильные группы, как они должны быть ориентированы и так далее.

Статистические Процессы

Важно учитывать, что во многих важных процессах, типа времени удерживания в данной хроматографической колонке, надо учитывать свойства не только одной молекулы. Фактически учитываются статистические средние числа всех возможных взаимодействий этой молекулы с другими. Подобные процессы могут быть смоделированы на молекулярном уровне, получая много результатов и затем использовать статистическое распределение этих результатов. В некоторых случаях, могут быть применены методы аддитивности групп или QSPR.

МУЛЬТИПОЛЬНЫЕ МОМЕНТЫ

Уникальный мультипольный момент молекулы дает описание разделения заряда в молекуле. Мультиполь для каждой молекулы является уникальным и зависит и от заряда и от геометрии молекулы. Для заряженного иона, его заряд монополен. Также могут вычисляться мультиполи высшего порядка, типа дипольного момента, квадрупольного момента и т.п.

Много молекул, типа монооксида углерода, имеют уникальные дипольные моменты.

Молекулы с центром инверсии, типа двуокиси углерода, будут иметь дипольный момент, который является нулевым и квадрупольный момент. Молекулы симметрии Td, типа метана, имеют нулевой дипольный и квадрупольный моменты и октапольный момент. Аналогично, молекулы октаэдрической симметрии будут иметь гексадекапольный момент.

Мультипольные моменты могут быть наиболее точно вычислены из ab initio вычислений. Часто дают хорошие результаты вычисления HF с минимальным базисным набором. Могут давать результаты высокой точности и коррелированные вычисления. Также дает приемлемые результаты некоторые полуэмпирические методы. Для очень больших молекул, мультиполи могут быть вычислены из зарядов атомов, используемых при вычислении молекулярной механикой. Вычисленные мультиполи могут быть очень чувствительны к геометрии, в которой они вычислены, особенно если это довольно малое по величине значение. Обычно желательно использовать мультипольные моменты, которые были вычислены с тем же самым теоретическим методом, с помощью которого оптимизировали молекулярную геометрию.

КОНТАКТНАЯ ПЛОТНОСТЬ ФЕРМИ

Контактная плотность Ферми определена как электронная плотность у ядра атома. Это важно из-за его отношения к методам анализа, зависящим от электронной плотности у ядра, типа спектроскопии NMR и EPR. Контактная плотность Ферми может быть вычислена методами ab initio.