Der amerikanische Psychologe LL Thurstone schlug in seiner Arbeit „Ein Gesetz der vergleichenden Urteilskraft“ aus dem Jahr 1927 vor, dass Menschen, wenn sie eine Possibility aus mehreren Alternativen auswählen, diejenige auswählen, die für sie den höchsten Wert hat, auch wenn sie dieser Wahl keine bestimmte Zahl zuordnen können.

Thurstone warfare ein Pionier der „Psychometrie“ – einem Gebiet, das auf der Prämisse aufbaute, dass mentale Prozesse, die wir nicht sehen können, dennoch gemessen und quantifiziert werden können. Seine Arbeit aus dem Jahr 1927 legte den Grundstein für die sogenannten Zufallsgebrauchsmodelle, die einen mathematischen Rahmen zur Beschreibung menschlicher Präferenzen bieten – Informationen, auf die man sich wiederum verlassen kann, um Vorhersagen über verschiedene hypothetische Situationen zu treffen.

Zufällige Gebrauchsmuster (RUMs) werden so genannt, weil sie den „Nutzen“ oder Nutzen bewerten, der sich aus einer bestimmten Wahl ergeben kann – beispielsweise die Entscheidung, welches Buch aus dem Stapel Romane, den Sie aus der Bibliothek mitgebracht haben, zuerst gelesen werden soll. „Diese Modelle sind von Natur aus zufällig“, erklärt Gabriele Farina, Assistenzprofessorin am Division of Electrical Engineering and Laptop Science (EECS) des MIT und Hauptforscherin am Laboratory for Info and Determination Programs (LIDS), „weil Menschen unterschiedlich sind. Jeder hat seine eigenen Vorlieben, und selbst diese Vorlieben können von Zeit zu Zeit variieren.“ Beispielsweise kann jemand, der morgens normalerweise Kaffee statt Tee trinkt und nach dem Abendessen lieber Tee trinkt, diese Reihenfolge gelegentlich völlig durcheinander bringen.

Natürlich werden RUMs in der Regierung und in der Industrie häufig in Situationen verwendet, die weitaus schwerwiegender sind als die Auswahl eines heißen (oder eisgekühlten) Getränks. Die Modelle ermöglichen routinemäßig Vorhersagen darüber, was Menschen in sogenannten kontrafaktischen („Was-wäre-wenn“)-Szenarien tun werden, wie zum Beispiel: Wie kommen sie zur Arbeit oder zur Schule, wenn eine Hauptverkehrsstraße wegen Bauarbeiten gesperrt wird? Welche Routen und Transportmittel werden sie nutzen? Oder wenn eine Stadt plötzlich einen Glücksfall von 20 Millionen US-Greenback erhält, wie sollten diese Mittel dann ausgezahlt werden, um das Gemeinwohl zu maximieren?

Wenn man bedenkt, dass RUMs schon seit quick 100 Jahren bei uns sind und im Laufe der Zeit immer ausgefeilter geworden sind, könnte man annehmen, dass es zu diesem Zeitpunkt kaum Raum für Verbesserungen gibt. Das ist jedoch nicht der Fall.

A Papier Die im April auf der Worldwide Convention on Studying Representations in Rio de Janeiro (Brasilien) vorgestellte Studie deckte grundlegende Fakten auf, die zeigen, dass aus diesen Modellen viel mehr herausgefunden werden kann, als traditionell angenommen wurde. Der Artikel wurde von Yeshwanth Cherapanamjeri verfasst, einem ehemaligen MIT-Postdoc, der jetzt an der Nanyang Technological College in Singapur arbeitet; Farina, ebenfalls Kerndozentin am Operations Analysis Heart (ORC) des MIT; Constantinos Daskalakis, Avanessians-Professor für Informatik am MIT und Mitglied des MIT-Labors für Informatik und künstliche Intelligenz; und Sobhan Mohammadpour, ein MIT-Doktorand in Informatik mit Sitz am LIDS und EECS.

Die Ergebnisse der Gruppe sind teilweise auf einen Mangel in der Artwork und Weise zurückzuführen, wie RUMs in der Praxis üblicherweise geschätzt werden, der seit den Tagen von Thurstone besteht. Die Daten, auf denen die Modelle geschätzt werden, stammen größtenteils aus sogenannten paarweisen Vergleichen: Welches würden Sie bei der Wahl zwischen den Elementen A und B wählen – ob es sich dabei um Filme auf Netflix, Konkurrenzprodukte auf Amazon.com, auf Google veröffentlichte Nachrichten usw. handelt? Ein Grund dafür, dass dieser Ansatz so weit verbreitet ist, erklärt Daskalakis, ist, dass „es sehr schwierig ist, dem Nutzen, den man aus einem einzelnen Component zieht, eine präzise numerische Bewertung wie etwa 4,37 zuzuordnen. Zwei Dinge zu vergleichen und zu entscheiden, was einem besser gefällt, ist dagegen kognitiv viel einfacher.“ Aber darin liegt der Haken, fügt er hinzu. „Bei dieser Artwork der Beurteilung der Vorlieben von Menschen, bei der nur zwei Dinge gleichzeitig betrachtet werden, ist es unmöglich, Korrelationen zwischen den zahlreichen Auswahlmöglichkeiten zu finden.“

Die Standardmethode zur Anwendung von RUMs geht davon aus, dass die von A und B abgeleiteten Dienstprogramme unabhängig sind, sie können jedoch tatsächlich verknüpft sein, und das wäre wichtig zu wissen. Wenn jemand, der sich für ein Wahlamt bewirbt, herausfindet, dass ein potenzieller Wähler beispielsweise Waffenkontrolle befürwortet, besteht eine begründete Probability, dass dieselbe Individual auch eine staatlich geförderte Kinderbetreuung befürwortet. Ebenso magazine ein Fan von Impartial-Filmen eine Vorliebe für ausländische Filme haben, aber weniger begeistert von Hollywood-Motion-Blockbustern. „Wenn eine digitale Plattform die Existenz solcher Korrelationen ignoriert, kann sie Präferenzen nicht sehr genau einschätzen“, stellt Daskalakis fest. „Und wenn Netflix Ihnen regelmäßig eine Auswahl an Filmen zeigt, die Sie nicht interessieren, könnten Sie sich abmelden und Ihr Abonnement kündigen.“

Das MIT-Staff hat bewiesen, dass es unmöglich ist, allein aus Zwei-Wege-Vergleichen Informationen über Korrelationen zu erhalten. Korrelationen lassen sich jedoch erkennen, wenn viele Menschen drei Alternativen in der Reihenfolge ihrer Präferenz bewerten. Die gleichen Informationen können auch aus einer Kombination von Finest-of-Three- und Finest-of-Two-Auswahlmöglichkeiten gewonnen werden. In der Praxis, erklärt Mohammadpour, „würden Sie eine Gruppe von Leuten dazu bringen, drei Elemente zu bewerten. Anschließend könnten Sie die von uns entwickelte Methode nutzen, um diese einzelnen Ergebnisse in einem großen Modell zusammenzuführen, das uns ein Gesamtbild liefern kann.“

Laut Farina konzentrieren sich ihre Forschungsbemühungen auf die rechnerische Seite von RUMs, indem sie Algorithmen entwickeln, die Präferenzinformationen extrahieren und herausfinden können, wie viele Daten dafür erforderlich sind oder, was gleichbedeutend ist, wie viele Experimente durchgeführt werden müssen. Die gute Nachricht sei, sagt er, dass für diesen Zweck tatsächlich effiziente Algorithmen möglich seien. Die erforderliche Anzahl von Experimenten wächst nicht exponentiell mit der Anzahl der Elemente im Katalog oder in der Datenbank, die überprüft werden.

„Dieses Papier stellt einen entscheidenden Durchbruch dar“, kommentiert Emma Frejinger, Informatikerin an der Universität Montreal. „Es beweist mathematisch, warum die herkömmliche Datenerfassung fehlschlägt, und zeigt, dass die einfache Befragung der Benutzer nach ihren besten drei (Auswahlmöglichkeiten) die Fähigkeit freischaltet, diese leistungsstarken Modelle genau zu trainieren. Diese Erkenntnis bietet einen äußerst praktischen Fahrplan für die Erfassung besserer Daten, um genauere Optimierungen voranzutreiben.“

„Der Bau von Gebrauchsmustern wird ein sehr aktiver Bereich bleiben“, betont Daskalakis. „So wie RUMs seit den späten 1990er Jahren für die Internetwirtschaft von entscheidender Bedeutung waren, sind und bleiben sie auch in Zukunft für die Ausrichtung der KI-Modelle von entscheidender Bedeutung.“ Noch wichtiger ist, fügt er hinzu: „RUMs spielen eine zentrale Rolle für die kommerzielle Durchführbarkeit und Nützlichkeit großer Sprachmodelle (LLMs).“ Während der Schulungsphase werden die Teilnehmer in der Regel gebeten, die verschiedenen Kandidatenergebnisse dieser LLMs in eine Rangfolge zu bringen, wodurch die Modelle einen besseren Eindruck davon gewinnen können, welche Artwork von Textual content – in Bezug auf Ton, Stil und Inhalt – bevorzugt wird.

Angesichts der Tatsache, dass wir ständig „mit einem riesigen Meer an Optionen in so vielen verschiedenen Bereichen überlastet sind“, sagt Daskalakis, „kann man die Leute unmöglich bitten, alle ihre persönlichen Vorlieben für alle möglichen Szenarien mitzuteilen. Stattdessen können Sie ein Modell erstellen, das vorhersagt, was die Leute über die verschiedenen möglichen Ergebnisse denken. Und Sie müssen Ihr Modell in einem iterativen Prozess so lange verbessern und aktualisieren, bis Sie hoffentlich gute Vorhersagen treffen können.“

Herzinsuffizienz ist durch eine geschwächte oder beschädigte Herzmuskulatur gekennzeichnet und führt zu einer allmählichen Ansammlung von Flüssigkeit in den Lungen, Beinen, Füßen und anderen Körperteilen des Patienten. Die Erkrankung ist chronisch und unheilbar und führt häufig zu Herzrhythmusstörungen oder einem plötzlichen Herzstillstand. Viele Jahrhunderte lang waren Aderlass und Blutegel die Behandlungsmethode der Wahl, die bekanntermaßen von Friseuren in Europa praktiziert wurde, in einer Zeit, in der Ärzte selten Patienten operierten.

Im 21. Jahrhundert ist die Behandlung von Herzinsuffizienz deutlich weniger mittelalterlich geworden: Heutzutage unterziehen sich Patienten einer Kombination aus einer Umstellung ihres gesunden Lebensstils, der Verschreibung von Medikamenten und verwenden manchmal Herzschrittmacher. Dennoch bleibt Herzinsuffizienz eine der Hauptursachen für Morbidität und Mortalität und stellt eine erhebliche Belastung für die Gesundheitssysteme auf der ganzen Welt dar.

„Etwa die Hälfte der Menschen, bei denen eine Herzinsuffizienz diagnostiziert wurde, sterben innerhalb von fünf Jahren nach der Diagnose“, sagt Teya Bergamaschi, MIT-Doktorandin im Labor von Nina T. und Robert H. Rubin Professor Collin Stultz und Co-Erstautor einer neuen Arbeit, die ein Deep-Studying-Modell zur Vorhersage von Herzinsuffizienz vorstellt. „Zu verstehen, wie es einem Patienten nach einem Krankenhausaufenthalt ergehen wird, ist wirklich wichtig für die Zuteilung endlicher Ressourcen.“

Das Papier, veröffentlicht in Lancet eClinical Drugs von einem Forscherteam am MIT, Mass Normal Brigham und der Harvard Medical College, stellt Ergebnisse aus der Entwicklung und Erprobung von PULSE-HF vor, was frei für „Änderungen der linksventrikulären systolischen Funktion anhand von EKGs von Patienten mit Herzinsuffizienz vorhersagen“ steht. Das Projekt wurde im Stultz-Labor durchgeführt, das dem angegliedert ist MIT Abdul Latif Jameel Klinik für maschinelles Lernen im Gesundheitswesen. Das Deep-Studying-Modell wurde an drei verschiedenen Patientenkohorten aus dem Massachusetts Normal Hospital, dem Brigham and Girls’s Hospital und MIMIC-IV (einem öffentlich zugänglichen Datensatz) entwickelt und retrospektiv getestet. Es sagt präzise Veränderungen in der linksventrikulären Ejektionsfraktion (LVEF) voraus, additionally dem Prozentsatz des Blutes, das aus der linken Herzkammer gepumpt wird.

Ein gesundes menschliches Herz pumpt bei jedem Schlag etwa 50 bis 70 Prozent des Blutes aus der linken Herzkammer aus – alles andere gilt als Zeichen eines möglichen Issues. „Das Modell nimmt ein (Elektrokardiogramm) und gibt eine Vorhersage darüber aus, ob es innerhalb des nächsten Jahres eine Ejektionsfraktion geben wird, die unter 40 Prozent fällt oder nicht“, sagt Tiffany Yau, MIT-Doktorandin in Stultz‘ Labor, die auch Mit-Erstautorin des PULSE-HF-Artikels ist. „Das ist die schwerste Untergruppe der Herzinsuffizienz.“

Wenn PULSE-HF vorhersagt, dass sich die Ejektionsfraktion eines Patienten innerhalb eines Jahres voraussichtlich verschlechtern wird, kann der Arzt den Patienten für die Nachsorge priorisieren. Dadurch können Patienten mit geringerem Risiko die Anzahl ihrer Krankenhausbesuche und den Zeitaufwand für die Anbringung von 10 Elektroden an ihrem Körper für ein 12-Kanal-EKG reduzieren. Das Modell kann auch in klinischen Umgebungen mit geringen Ressourcen eingesetzt werden, beispielsweise in Arztpraxen in ländlichen Gebieten, in denen normalerweise kein Herzsonograph für die tägliche Durchführung von Ultraschalluntersuchungen beschäftigt ist.

„Der größte Unterschied zwischen (PULSE-HF) und anderen Herzinsuffizienz-EKG-Methoden besteht darin, dass es keine Erkennung, sondern eine Prognose durchführt“, sagt Yau. In dem Artikel wird darauf hingewiesen, dass es bisher keine anderen Methoden gibt, um den künftigen LVEF-Rückgang bei Patienten mit Herzinsuffizienz vorherzusagen.

Während des Check- und Validierungsprozesses verwendeten die Forscher eine Metrik namens „Fläche unter der Receiver Working Attribute Curve“ (AUROC), um die Leistung von PULSE-HF zu messen. AUROC wird typischerweise verwendet, um die Fähigkeit eines Modells zu messen, zwischen Klassen auf einer Skala von 0 bis 1 zu unterscheiden, wobei 0,5 zufällig und 1 perfekt ist. PULSE-HF erzielte in allen drei Patientenkohorten AUROCs im Bereich von 0,87 bis 0,91.

Bemerkenswert ist, dass die Forscher auch eine Model von PULSE-HF für Einzel-EKGs entwickelt haben, was bedeutet, dass nur eine Elektrode am Körper angebracht werden muss. Während 12-Kanal-EKGs allgemein als überlegen angesehen werden, da sie umfassender und genauer sind, struggle die Leistung der Einzelkanal-Model von PULSE-HF genauso stark wie die der 12-Kanal-Model.

Trotz der eleganten Einfachheit hinter der Idee von PULSE-HF täuscht sie, wie die meisten klinischen KI-Forschungen, über eine mühsame Umsetzung hinweg. „Es hat Jahre gedauert, dieses Projekt abzuschließen“, erinnert sich Bergamaschi. „Es hat viele Iterationen durchlaufen.“

Eine der größten Herausforderungen für das Group struggle das Sammeln, Verarbeiten und Bereinigen der EKG- und Echokardiogramm-Datensätze. Während das Modell darauf abzielt, die Ejektionsfraktion eines Patienten vorherzusagen, waren die Beschriftungen für die Trainingsdaten nicht immer ohne weiteres verfügbar. Ähnlich wie ein Schüler, der aus einem Lehrbuch mit einem Lösungsschlüssel lernt, ist die Beschriftung von entscheidender Bedeutung, um maschinellen Lernmodellen dabei zu helfen, Muster in Daten korrekt zu erkennen.

Sauberer, linearer Textual content in Kind von TXT-Dateien eignet sich normalerweise am besten für das Coaching von Modellen. Aber Echokardiogrammdateien liegen typischerweise in Kind von PDFs vor, und wenn PDFs in TXT-Dateien konvertiert werden, wird der Textual content (der durch Zeilenumbrüche und Formatierungen unterbrochen wird) für das Modell schwer lesbar. Auch die Unvorhersehbarkeit realer Szenarien, etwa ein unruhiger Affected person oder eine lose Spur, beeinträchtigte die Daten. „Es gibt viele Signalartefakte, die beseitigt werden müssen“, sagt Bergamaschi. „Es ist eine Artwork endloses Kaninchenloch.“

Während Bergamaschi und Yau anerkennen, dass kompliziertere Methoden dabei helfen könnten, die Daten nach besseren Signalen zu filtern, gibt es eine Grenze für den Nutzen dieser Ansätze. „An welchem ​​Punkt hörst du auf?“ fragt Yau. „Man muss über den Anwendungsfall nachdenken – ist es am einfachsten, dieses Modell zu haben, das mit Daten funktioniert, die etwas chaotisch sind? Denn das wird es wahrscheinlich sein.“

Die Forscher gehen davon aus, dass der nächste Schritt für PULSE-HF darin bestehen wird, das Modell in einer prospektiven Studie an echten Patienten zu testen, deren zukünftige Ejektionsfraktion unbekannt ist.

Trotz der Herausforderungen, die es mit sich bringt, klinische KI-Instruments wie PULSE-HF über die Ziellinie zu bringen, einschließlich des möglichen Risikos einer Verlängerung der Doktorarbeit um ein weiteres Jahr, sind die Studenten der Meinung, dass sich die Jahre harter Arbeit gelohnt haben.

„Ich denke, die Dinge sind teilweise deshalb lohnend, weil sie herausfordernd sind“, sagt Bergamaschi. „Ein Freund sagte zu mir: ‚Wenn Sie glauben, dass Sie nach dem Abschluss Ihre Berufung finden werden, wenn Ihre Berufung wirklich eine Berufung ist, dann wird sie in dem einen weiteren Jahr, das Sie bis zum Abschluss benötigen, da sein.‘ … Die Artwork und Weise, wie wir als Forscher im (ML- und Gesundheits-)Bereich gemessen werden, unterscheidet sich von anderen Forschern im ML-Bereich. Jeder in dieser Gemeinschaft versteht die einzigartigen Herausforderungen, die hier bestehen.“

„Es gibt zu viel Leid auf der Welt“, sagt Yau, die zu Stultz‘ Labor kam, nachdem ihr bei einem Gesundheitsereignis die Bedeutung maschinellen Lernens im Gesundheitswesen klar geworden struggle. „Alles, was versucht, Leiden zu lindern, würde ich als wertvolle Nutzung meiner Zeit betrachten.“

Es conflict noch nie so einfach, die Wertentwicklung eines einzelnen Anlagefonds vorherzusagen. Ein Asset bedeutet weniger Raum für die Risikoerkennung. Die versierten Anleger von heute greifen auf generative KI zurück, um fundiertere und fundiertere Entscheidungen zu treffen. Nicht nur, um die Zukunft sicher vorherzusagen, sondern um Risiken besser zu verstehen. So hilft KI ihnen, Annahmen zu testen, schwache Signale zu erkennen und mit mehr Sicherheit zu planen.

1. Verbesserung der prädiktiven Analyse mit KI-gestützten Prognosen

Traditionelle Vorhersagemodelle basieren auf festen Annahmen. Sie funktionieren, bis sich die Marktbedingungen ändern. Dies macht es für Vermögensverwalter schwierig, die Leistung zu verfolgen und zukünftige Ergebnisse vorherzusagen. Die generative KI verfolgt einen anderen Ansatz, indem sie aus großen Datensätzen finanzieller, wirtschaftlicher und anlagenspezifischer Daten lernt und dann ihre Prognosen aktualisiert, sobald neue Informationen eintreffen.

Dies ist für Single-Asset-Fonds von großer Bedeutung, da eine einzige Änderung der Marktstimmung, der Wirtschaftsindikatoren oder der Regulierung die gesamte Anlagestrategie verändern kann. KI-Modelle können ein breiteres Spektrum an Variablen berücksichtigen, anstatt isoliert zu arbeiten. Sie untersuchen Muster, die Menschen möglicherweise übersehen, insbesondere über längere Zeiträume. Dies ermöglicht genauere Prognosen und fundierte Investitionsentscheidungen.

Ein weiterer Vorteil des Einsatzes von GenAI im Asset Administration ist die Geschwindigkeit. Was früher wochenlange Modellierungsarbeiten erforderte, kann jetzt in wenigen Stunden erledigt werden. Dadurch haben Anleger mehr Zeit, die Ergebnisse zu überprüfen und Annahmen zu hinterfragen. Dadurch erhalten Fondsmanager ein besseres Urteilsvermögen, gestützt auf umfassendere Daten und weniger blinde Flecken.

2. Szenariosimulation und erklärbare Prognoseergebnisse

Bei guten Prognosen geht es nicht nur um Zahlen, sondern auch darum, zu verstehen, warum sich diese Zahlen ändern. Hier sind Szenariosimulation und -analyse unerlässlich Vermögensrisikomanagement. Der Prozess umfasst die Erstellung virtueller, realistischer Situationen zum Testen und Trainieren von Anlagen und die Analyse der möglichen Auswirkungen dieser Situationen auf die Anlagenleistung.

Generative KI hilft Fondsmanagern, jede Investition sicher mit „Was-wäre-wenn“-Szenarien zu testen, bevor sie tatsächlich Auswirkungen hat. Sie versuchen beispielsweise, die Ergebnisse vorherzusagen, wenn die Nachfrage um 10 % sinkt oder die Finanzierungskosten schneller als erwartet steigen. Viele KI-Systeme zeigen jetzt, wie sich jeder Faktor auf das Ergebnis auswirkt, anstatt Black-Field-Ergebnisse. Dies erleichtert Gespräche mit Partnern, Kreditgebern und Beratern.

Dieses Maß an Klarheit ist für Anleger nützlich, die eine Bewertung abgeben Anlageleitfaden für Single-Asset-Fonds. Es verwandelt Prognosen in Entscheidungshilfen und nicht in Verkaufscharts. Dadurch können Anleger das Abwärtsrisiko, die Efficiency im Basisszenario und das Aufwärtspotenzial mithilfe desselben Modells vergleichen.

3. Generieren synthetischer Daten zur Verbesserung der Modellrobustheit

Single-Asset-Fonds leiden häufig unter begrenzten historischen Daten. Es kann sein, dass die Leistung nur ein paar Jahre lang analysiert werden muss. Generative KI hilft, indem sie synthetische Daten erstellt, die reale Bedingungen widerspiegeln, ohne tatsächliche Datensätze zu kopieren. Mithilfe dieser Daten können Modelle auf seltene Ereignisse testen, die noch nicht aufgetreten sind, aber auftreten könnten. Dazu gehören Marktschocks, plötzliche Kostenspitzen und Nachfragerückgänge.

Durch das Coaching dieser simulierten Szenarien werden Prognosen unter Stress stabiler. Dabei geht es nicht nur um die Vorhersage, sondern auch um die Vorbereitung. Anleger können beispielsweise erkennen, wie fragil oder widerstandsfähig ein Fonds unter Druck sein könnte. Das führt zu besseren Risikokontrollen und realistischeren Erwartungen. Beim Investieren in einzelne Vermögenswerte ist es oft wichtiger zu wissen, wie Dinge kaputt gehen, als zu wissen, wie sie wachsen.

Endnote

Generative KI schärft das Urteilsvermögen der Anleger. Bei Single-Asset-Fonds, bei denen das Risiko konzentriert ist, machen bessere Prognosetools einen echten Unterschied. KI hilft Anlegern und Fondsmanagern, Annahmen zu testen, Ergebnisse zu erklären und sich auf Unsicherheiten vorzubereiten. Dies unterstützt intelligentere Investitionsentscheidungen und langfristige Stabilität, insbesondere wenn es strategisch eingesetzt wird.

---

Hervorgehobener Bildnachweis

Eines der gemeinsamen, grundlegenden Ziele der meisten Chemieforscher ist die Notwendigkeit, die Eigenschaften eines Moleküls wie den Siede- oder Schmelzpunkt vorherzusagen. Sobald Forscher diese Vorhersage bestimmen können, können sie ihre Arbeit voranbringen und Entdeckungen ergeben, die zu Medikamenten, Materialien und mehr führen. In der Vergangenheit sind jedoch die traditionellen Methoden zur Enthüllung dieser Vorhersagen mit erheblichen Kosten verbunden – zusätzlich zu den Fonds Zeit und Verschleiß für die Ausrüstung.

Geben Sie einen Zweig der künstlichen Intelligenz ein, das als maschinelles Lernen (ML) bekannt ist. ML hat die Vorhersage der Molekül -Eigenschaft in einem Grad verringert, aber die fortschrittlichen Instruments, die den Prozess am effektivsten beschleunigen – indem sie aus vorhandenen Daten lernt, um schnelle Vorhersagen für neue Moleküle zu treffen – erfordern, dass der Benutzer über ein erhebliches Maß an Programmierkompetenz verfügt. Dies schafft für viele Chemiker, die möglicherweise nicht über die erheblichen Rechenkenntnisse verfügen, um die Vorhersagepipeline zu navigieren, eine Zugangsbarriere.

Um diese Herausforderung zu lindern, Forscher in der McGuire Analysis Group am MIT haben geschaffen ChemxPloremlEine benutzerfreundliche Desktop-App, mit der Chemiker diese kritischen Vorhersagen treffen können, ohne fortschrittliche Programmierkenntnisse zu erfordern. Diese App ist frei verfügbar, einfach zu herunterladen und auf Mainstream -Plattformen zu funktionieren. Sie ist auch so konstruiert, dass sie vollständig offline funktionieren, was dazu beiträgt, die Forschungsdaten proprietär zu halten. Die aufregende neue Technologie wird in einem umrissen Artikel, der kürzlich in der veröffentlicht wurde Journal of Chemical Info and Modeling.

Eine spezifische Hürde beim chemischen maschinellen Lernen ist die Übersetzung molekularer Strukturen in eine numerische Sprache, die Laptop verstehen können. ChemxPloreml automatisiert diesen komplexen Prozess mit leistungsstarken, eingebauten „molekularen Einbettungen“, die chemische Strukturen in informative numerische Vektoren umwandeln. Als nächstes implementiert die Software program hochmoderne Algorithmen, um Muster zu identifizieren und molekulare Eigenschaften wie Kochen- und Schmelzpunkte genau durch eine intuitive, interaktive grafische Schnittstelle vorherzusagen.

„Das Ziel von ChemxPloreml ist es, die Verwendung von maschinellem Lernen in den Chemikalienwissenschaften zu demokratisieren“, sagt Aravindh Nivas Marimuthu, ein Postdoc in der McGuire -Gruppe und führender Autor des Artikels. „Indem wir eine intuitive, leistungsstarke und offline-fähige Desktop-Anwendung erstellen, geben wir die hochmoderne Vorhersagemodellierung direkt in die Hände von Chemikern, unabhängig von ihrem Programmierhintergrund. Diese Arbeit beschleunigt nicht nur die Suche nach neuen Arzneimitteln und Materialien, indem sie den Screening-Prozess schneller und billiger machen, sondern das versatile Design öffnet auch die Türen für zukünftige Innovationen.“

ChemxPloreml soll sich im Laufe der Zeit entwickeln, sodass zukünftige Techniken und Algorithmen entwickelt werden, können sie nahtlos in die App integriert werden, um sicherzustellen, dass Forscher immer in der Lage sind, auf die aktuellsten Methoden zugreifen und implementieren können. Die Anwendung wurde an fünf wichtigen molekularen Eigenschaften organischer Verbindungen getestet – Schmelzpunkt, Siedepunkt, Dampfdruck, kritische Temperatur und kritischer Druck – und erreichten hohe Genauigkeitswerte von bis zu 93 Prozent für die kritische Temperatur. Die Forscher zeigten auch, dass eine neue, kompaktere Methode zur Darstellung von Molekülen (Vicgae) quick so genau struggle wie Standardmethoden wie Mol2VEC, aber bis zu 10 -mal schneller.

„Wir stellen uns eine Zukunft vor, in der ein Forscher maschinelles Lernen leicht anpassen und anwenden kann, um einzigartige Herausforderungen zu lösen, von der Entwicklung nachhaltiger Materialien bis zur Erforschung der komplexen Chemie des interstellaren Raums“, sagt Marimuthu. Zu ihm ist der Senior Autor und die Klasse von 1943 Karriere -Entwicklung Assistenzprofessorin für Chemie Brett McGuire.