Bidragene fra datavitenskapsmiljøet til Nobelprisene i kjemi og fysikk står sentralt i denne månedens Focus-utgave.
Hvert år, når oktober nærmer seg, bølger spenningen og spekulasjonene rundt kunngjøringen av de nyeste nobelprisvinnerne gjennom det vitenskapelige miljøet. Ved å sette søkelyset på arbeid som har hatt den “største fordelen for menneskeheten”, unnlater Nobelprisen aldri å inspirere forskere på alle felt, og å gjenopplive en lidenskap for forskning og vitenskapelig fremgang. For dataforskere kan denne inspirasjonen komme i mange former, ettersom riket av muligheter for å bruke beregningsverktøy fortsetter å vokse.
Kreditt: zhencong chen / Alamy Arkivfoto
I fjor, vi så tilbake på historien til Nobelprisen og spurte hvordan beregningsvitenskap påvirket, direkte og indirekte, tidligere tildelte emner, samt hvordan det har blitt eksplisitt anerkjent med priser. I dette Fokus problem, har vi utvidet disse diskusjonene i samtale med forskjellige eksperter – inkludert nobelprisvinnere, forskere som har jobbet med nobelprisvinnere tidligere og et medlem av nobelpriskomiteen – for ikke bare å feire mangfoldet av beregningsvitenskapelige bidrag til kjemifeltene og fysikk, men også for å se videre inn i fremtiden og på utfordringene som ligger foran oss. Mens mange innflytelsesrike modeller har blitt anerkjent med en Nobelpris, fokuserer vi her på bidrag som har gjort eksisterende teori praktisk beregnbar, noen ganger med bare begrenset beregningskraft tilgjengelig på den tiden.
En av prisene vi fremhever er 1998 Nobelprisen i kjemi, som anerkjente to pionerer innen kvantekjemi: Walter Kohn og John Pople. Kohn ble anerkjent for utviklingen av tetthetsfunksjonsteori (DFT), mens Pople ble anerkjent for utviklingen av beregningsmetoder innen kvantekjemi. Praktisk sett gjorde Kohns arbeid kvantekjemiske beregninger beregningsmessig gjennomførbare. Poples kvantekjemiprogramvare — Gaussisk – transformerte feltet for beregningskjemi, da det gjorde det mulig for forskere å teoretisk studere molekyler, deres egenskaper og deres interaksjoner, og praktisk og effektivt bringe Kohns DFT til live. Vi hadde muligheten til å snakke med to forskere som har jobbet med disse nobelprisvinnerne tidligere, og som i seg selv har påvirket feltet i stor grad også: Lu Sham og Martin Head-Gordon.
Lu Sham jobbet tett med Kohn om det som er kjent som Kohn-Sham-ligningene, som foreslo en forenklet tilnærming til kinetisk energitilnærming og gjorde DFT til et mer praktisk verktøy for å svare på spørsmål innen materialvitenskap og kjemi. Dette arbeidet bidro i stor grad til Kohns Nobelpris, og Sham forventet ikke at dette ville være så innflytelsesrikt da de opprinnelig jobbet med denne teorien: “I begynnelsen trodde jeg ikke at den ville blomstre så mye som den gjorde,” bemerket Sham under vår samtale med ham. Faktisk var arbeidet deres et viktig, banebrytende bidrag til det vitenskapelige miljøet, og som sådan er det fortsatt mange utfordringer som fortsatt må løses. For eksempel er en slik utfordring bruken av DFT-metoder i kvantematerialer og sterkt korrelerte systemer. EN Kommentar av Alex Zunger diskuterer denne utfordringen mer detaljert, samt potensialet og mulighetene for å bygge bro mellom DFT og kvantematerialer.
Martin Head-Gordon – som ble veiledet av Pople under sin doktorgrad – er kjent innen kjemi for sitt arbeid med DFT og tetthetsfunksjoner, så vel som for hans bidrag til å utvikle Gaussian og senere, Q-Chem. Head-Gordons karriere har vært dypt påvirket av tiden han jobbet med Pople: “Han har vært den største enkeltstående vitenskapelige innflytelsen på meg,” oppgitt Head-Gordon. I dag er Gaussian og Q-Chem fortsatt to av de mest brukte kommersielt tilgjengelige programvarepakkene for kvantekjemi. For Q-Chem er det fortsatt mange uutnyttede horisonter som skal undersøkes, som diskutert av Head-Gordon: “Vi beveger oss mot mer komplekse systemer på en rekke måter, mens vi søker å forbedre kjernealgoritmer som vårt hovedoppdrag.”
Vi fremhever også i denne Focus-utgaven 2013 Nobelprisen i kjemi, som anerkjente Arieh Warshel, Michael Levitt og Martin Karplus for deres utvikling av flerskalamodeller for komplekse kjemiske systemer. Etableringen av kvantemekanikk / molekylær mekanikk (QM / MM) metoder har gjort det mulig for forskere på feltet å nøyaktig modellere store systemer på en beregningsmessig håndterbar måte. vi snakket med Verksted og diskuterte hans nåværende forskning, samt noen av utfordringene han har møtt i sin forskerkarriere. For eksempel bemerket han at det har vært vanskelig å “overbevise folk om at datamaskiner er den eneste måten å definitivt forstå hvordan enzymer fungerer.” Likevel ble arbeidet til Warshel, Levitt og Karplus allment akseptert av forskningsmiljøet: “Det som fanget publikum relativt raskt var den enkle ideen om å skille QM og MM, snarere enn en måte å gjøre det mer nøyaktig på,” sa Warshel. Faktisk har denne enkelheten hjulpet QM/MM-metoder til å forbli uunnværlige for beregningsforskere på tvers av forskjellige disipliner.
Viktige bidrag fra datavitenskapssamfunnet til fysikkdomenet er også diskutert i denne utgaven. Vi hadde muligheten til å snakke med Saul Perlmuttera 2011 Nobelprisvinner i fysikk. Perlmutter mottok Nobelprisen for oppdagelsen av den akselererende utvidelsen av universet gjennom observasjoner av fjerne supernovaer. En del av arbeidet innebar å identifisere titusenvis av galakser fra vidfeltsbilder, og deretter identifisere opptredener av supernovaer i disse galaksene. Som Perlmutter diskuterte med Naturberegningsvitenskap, “Dette var en perfekt jobb for en datamaskin å gjøre.” Arbeidet krevde en prestasjon av beregningsdyktighet, og for Perlmutter kunne ikke timingen vært bedre: “Det var akkurat rett tid, teknologisk sett, for å gjøre dette,” hevdet Perlmutter. “Beregningsteknologi var en så viktig del av dette arbeidet.”
Mer nylig, i 2021, Nobelprisen kjente igjen Giorgio Parisi, Syukuro Manabe og Klaus Hasselmann for deres arbeid med å forstå komplekse fysiske systemer, slik som jordens klima, og gjøre dem praktisk talt beregnbare. Vi hadde en sjanse til å snakke med et medlem av Nobelkomiteen for fysikk, John Wettlaufer, som ga en titt bak forhenget av Nobelkomiteens beslutning ved å diskutere hvordan deres bidrag skilte seg ut. For å fremme feltet ytterligere og adressere utfordringene knyttet til klimaendringer, påpekte Wettlaufer at beregningsmessig vekt bør legges på data- og datadrevne tilnærminger, som krever tverrfaglige samarbeid: «Dette høres ut som en klisjé, men det gjør det virkelig ikke arbeid hvis folk ikke snakker hverandres språk,” bemerket Wettlaufer. EN Kommentar av Mojib Latif diskuterer også de pågående utfordringene og hvordan avanserte jordsystem og globale klimamodeller ytterligere kan svare på presserende spørsmål for å dempe menneskeskapte effekter på klimaendringer og global oppvarming.
Andre nobelprisutdelinger har kanskje ikke direkte anerkjent bidragene fra datavitenskapssamfunnet, men deres tilsvarende forskning har blitt kraftig beriket av beregninger, som f.eks. 2020 Nobelprisen i kjemi, som hedret Emmanuelle Charpentier og Jennifer Doudna for deres utvikling av en metode for genomredigering ved bruk av CRISPR – Cas9 genetiske saks. EN Kommentar av Lei Stanley Qi – som hadde Doudna som en av sine akademiske rådgivere i løpet av sin doktorgrad – diskuterer hvordan beregningsanalyse har hjulpet til med oppdagelsen av CRISPR-systemer gjennom forståelsen av CRISPRs funksjon av generisk immunitet mot virusinfeksjon, og hvordan beregningsvitenskap styrker ytterligere CRISPR utviklingen som et genomredigeringsverktøy.
Interessant nok var det noen vanlige temaer som ble diskutert i disse samtalene og stykkene. En av de tilbakevendende meldingene var viktigheten av en samarbeidsforhold mellom eksperimentalister og teoretikere. For eksempel uttalte Sham at DFT kan brukes som en første kjøring for å veilede eksperimentelt arbeid videre, og Perlmutter bemerket at eksperimenter og observasjoner har bidratt til å styrke beregningsspådommer innen hans felt. Men, som Head-Gordon bemerket, mens en tilbakemeldingssyklus mellom teori og eksperimentering er viktig, kommer den ikke uten utfordringer, for eksempel å prøve å sikre så mye som mulig at det som blir modellert også blir sett eksperimentelt. Et annet tilbakevendende budskap var viktigheten av tverrfaglig forskning: for eksempel påpekte Wettlaufer at tverrfaglige samarbeid er nødvendig for å få mest mulig ut av datadrevet klimaforskning, mens Qi bemerket at beregningsverktøy utviklet på andre områder, for eksempel proteinstrukturprediksjonsalgoritmer, kan øke potensialet til CRISPR-teknologi betydelig. . Disse fellestrekkene på tvers av diskusjonene i denne utgaven antyder at til tross for at bidragene som er fremhevet her kommer fra forskjellige felt og har variert natur (fra modellering og teori til programvareutvikling), har de alle relaterte funksjoner og står overfor lignende utfordringer, som gjenspeiler naturen til datavitenskapelig forskning.
I påvente av kunngjøringen av Nobelprisen i 2022, som vil finne sted i løpet av 3.–10. oktober, inviterer vi deg til å utforske vår Fokus problem og dets mange samtaler og kommentarer om hvordan beregningsvitenskapelige bidrag har formet vitenskapen og banet vei for fremtidig utvikling.