زيرساختهاي پايه براي مدلسازي مولكولي:
در مقالة قبلي نقش فناوريانفوماتيك را در فناورينانو از ديدگاه اهميت آن در مدلسازي مولكولي بررسي كرديم. اكنون ميخواهيم حداقل مؤلفههاي لازم در جهت موفقيت در مدلسازي مولكولي را بررسي كنيم. به عبارت ديگر زيرساختهاي بحراني جهت توسعة دانش مدلسازي مولكولي كدامند؟
1) الگوريتمها:
بهبود الگوريتمهاي محاسباتي مورد نياز است تا از عهدة محاسبه مجموعهاي از مولكولهاي بزرگ يا مجموعهاي از اتمها برآيند. زيرا برهم كنش ميان اتمها در کنه موضوع مدل سازي مولكولي نهفته است. زمان محاسبه و قدرت ذخيرهسازي اطلاعات هر اتم و افزايش دقت با افزايش تعداد اتمها، تابع مستقيمي از افزايش قدرت الگوريتمها است.
2) بكارگيري محاسبات موازي:
با تقسيم مسئله بين چند پردازنده جداگانه، محاسبات موازي، قابليت رسيدن به راهحلهاي مناسب و با سرعتهاي بالا، را فراهم ميآورند. بههرحال رسيدن به اين هدف نيازمند مسائلي (يا بخشي از مسائل) است كه ميتواند معادلاً تقسيم شود مثلاً الگوريتمهائي به منظور گرفتن مزيتهاي ساختارهاي موازي و راههائي به منظور نوشتن و رفع خطا كردن مؤثر از كدهاي موازي.
بسياري از كدهاي شيمي كوانتوم بصورت ضعيفي موازي ميشوند كه نسبتاً وابسته به روشهاي بكارگرفته شده هستند. يك مثال نوعي نظير مدل كوانتومي مونتكارلو يا روش"Laster" و همکارانش است.
3) انتخاب خودكار به همان خوبي روشها:
يك نقش مدل ساز، انتخاب بهترين روش براي يك مسألة مشخص با دقت مورد نياز مشخص است. چنين تصميمگيريهايي ميبايستي بصورت خودكار به منظور انتفاع بيشتر و كمتركردن اثر مهارت شاغل باشد. مقايسة دقيق روشهاي متفاوت، آرايشهاي محاسباتي متفاوت و هدفهاي متفاوت كاملاً الزامي است .
4) سخت افزارهاي محاسباتي و سيستم عاملها:
سخت افزارهاي محاسباتي و سيستم عاملها روشهاي متفاوت ديگري به منظور مدلسازي مولكولي هستند مدلسازي مولكولي نيازمنديهاي متفاوتي از سخت افزار وسيستم عامل را پديد آورده است. همانطوريكه تغيير دادنها نيازمند استفاده كننده است. تركيب ابررايانه ها رايانه هاي شخصي/ ايستگاههاي محاسباتي و توزيع محاسبها، پيامد ديگري از يكپارچگي زيرساختهاي محاسباتي، نمايشگرها و Interface استفاده کننده است. همچنين زيرساختهاي واسطه وابزارهاي قابل برنامهنويسي تصوير ساز از ديگر نيازمنديها است.
5) مديريت اطلاعات:
نه فقط نيازهاي محاسباتي، ميطلبد كه همچنين حجم نتايج به طرز باورنكردني با اندازة مسأله رشد ميكند. اين چالش نيازمند مديريت پيچيده و بهرهبرداري از نتايج آزمايشگاهي و دادههاي محاسباتي بصورت توأم است. به منظور مؤثر بودن، حجم عظيم اطلاعات جديد ميبايستي مديريت شود به گونهاي كه با نتايج آزمايشگاهي و روابط مبتني بر تئوري، سازگاري حاصل نمايد .
6) واسطه مدلسازي آزمايشگاهي:
روابطي نظير QSPR و QSAR، وابستگي به خواص آزمايشگاهي قابل مشاهدهاي دارند كه جهت تعيين خواص مولكولي مورد استفاده قرار ميگيرد.
QSPR: Quantitative Structure – Property
QSAR: Structure – Activity Relations
اين روابط و وابستگيهايشان ممكن است مطلقاً تجربي باشند، اما آنها موفقيتآميز خواهند بود بويژه زمانيكه خواص محاسباتي درست انتخاب شده باشد. همچنين خواص اندازهگيري شده ميبايستي انتخاب شوند به گونهاي كه رفتار ماده را نشان دهند و اصول فيزيكي و شيميايي را نقض نكند. پيشگويي خواص قابل اندازهگيري بسيار سخت است، اما از خواص قابل پيشگويي اندازهگيري ميشود شيمي تركيبات مثال خوبي در اين زمينه است، جائيكه، بزرگترين موفقيتها، از درون ساخت كتابخانههايي از مواد انتخابي، بوجود آمده است.
7) آناليز مسأله:
موفقيت در كاربردهاي صنعتي، متكي به شناخت قاطعانه پيامدها يا سؤالات مطرح شده است.
8) زير ساختهاي انساني:
يك پيامد انساني كليدي، داشتن افراد فني به گونهاي كه شخصاً يا تحت عنوان دانشگاه هم داراي دانش مدلسازي و هم داراي دانش كاربردهاي صنعتي باشند. دقيقاً مهم است كه بر محدودة كاربري هر مدل و قابليتها و توانائيهاي آن مديريت داشته باشيم. ساخت چنين زيرساخت مهمي نيازمند آزمايش و آموزش است.
9) اعتبار بخشي:
اعتبار بخشي معمولاً به آزمايش مدلها در برابر دادههاي موجود به منظور تعيين اعتبار آنها يا حدود اعتبار آنها بر ميگردد. اين عمل ممكن است درك شود يا ناديده گرفته شود اما اين بخش اكيداً يك نياز است.
10) معتبر بودن:
معتبر بودن داراي دو وجه است:
بنيانگذاري آن و پيشگيري از نقايص آن. اعتبار بايد صادقانه بوسيله موفقيت ساخته شود. ناتواني مدلها بدرستي فهميده شود. شيء گراهاي رايانهاي يك كليد اساسي در درك ارتباطات نتايج است. اما از سوي ديگر براي مدلسازها ممكن است مخرب باشد. زيرا يك تصوير جذاب مي تواند گمراه كننده باشد. نتايج اجتنابناپذير شكگرايي را تقويت ميكند.شخص ميبايستي روي مسائل مناسب با ابزارهاي درست كار كند.
منبع:سايت نانو