Vous êtes sur la page 1sur 5

Tabla peridica de los elementos en la perspectiva de las Redes Neuronales Artificiales

RESUMEN: A pesar de varios elementos qumicos no eran conocidos a finales del siglo 19, Mendeleev vino con un logro asombroso, la tabla peridica de los elementos. No slo fue capaz de predecir la existencia de (continuacin) nuevos elementos, sino tambin para proporcionar estimaciones precisas de sus propiedades qumicas y fsicas. Este es un ejemplo profundo de la inteligencia humana. En este sentido, tratar de arrojar algo de luz sobre la siguiente pregunta: Puede un sistema de inteligencia artificial producir una clasificacin de los elementos que se asemeja, en cierto sentido, la tabla peridica? Para lograr nuestro objetivo, hemos utilizado un mapa autogestionaria (SOM) con informacin disponible al momento de Mendeleiev. Nuestros resultados muestran elementos similares tienden a formar grupos individuales. As, aunque SOM genera grupos de halgenos, metales alcalinos, y metales de transicin que muestran una similitud con la tabla peridica de los elementos, el SOM no alcanz la sofisticacin que Mendeleev alcanzado.

En 1869 Mendeleev1 present la ley peridica de los elementos para la comunidad cientfica. Mendeleev conoca la existencia y algunas propiedades de alrededor de 60 elementos. Para la gran mayora de estos elementos, su conocimiento estaba restringido a peso atmico, la reaccin del elemento con oxgeno, radio atmico, y punto de fusin. Tena tanta confianza en su descubrimiento de que l dej las posiciones vacas en la mesa. Estos espacios se han dedicado a aquellos elementos que, segn l, todava tendran que ser descubierto. Si se toma en consideracin la limitada informacin disponible, la tabla elaborada por Mendeleev merece la mayor admiracin.

En ese momento, los cientficos no saba nada acerca de la estructura atmica y nmeros atmicos que se utilizan en la organizacin de los elementos de la tabla actual. Ms de 40 aos despus, en 1913, Mosely estableci el concepto de nmero atmico. Este descubrimiento, sin embargo, slo provoc pequeos reajustes en la clasificacin de los elementos creados por Mendeleev. Posiblemente, el mayor triunfo de la tabla peridica de los elementos era de prever la existencia y las propiedades de elementos desconocidos en su tiempo. Por ejemplo, Mendeleev no slo se reivindica la existencia de un elemento eka-silicio, hoy en da conocido como germanio, pero tambin deducir sus propiedades y las reacciones con el cloro y el oxgeno con una precisin considerable. La tabla peridica identifica similitudes entre dos o ms elementos y los coloca bajo el formato de los perodos y grupos. Los intervalos en los que estas similitudes repetidos consistentemente relacionado con el nmero atmico. En la tabla, los elementos estn dispuestos horizontalmente, en secuencia numrica, de acuerdo con sus nmeros atmicos, por lo tanto, dar lugar a la

aparicin de siete lneas horizontales (o periodos). Cada perodo, con la excepcin de la primera, se inicia con un metal y acabados con un gas noble. La longitud de un perodo diferente, que van desde un mnimo de 2 elementos a un mximo de 32. Las lneas verticales estn formados por elementos cuyas estructuras electrnicas externas son similares. Estas columnas se llaman grupos. En algunos de ellos, los elementos estn tan estrechamente relacionados que se llaman familias. Por ejemplo, el grupo 2 es la familia de los metales alcalinos (berilio, magnesio, calcio, estroncio, bario y radio). Tal xito enorme de la inteligencia humana produce un campo frtil para explorar la capacidad de los sistemas inteligentes artificiales para producir resultados similares. Redes de Kohonen, mapas auto-organizados, y otras tcnicas se han usado comnmente en los esfuerzos de clasificacin, como en grupos de silicio, espectrometra, modelado, optimizacin, problemas qumicos? y otros. El objetivo de este artculo es investigar la capacidad de un sistema inteligente artificial para clasificar los elementos qumicos. Con este fin, una red de Kohonen (KN) se suministra con la informacin conocida por el final del siglo 19. El KN es, por lo tanto, alimentado con conocimiento similar que estaba disponible para Mendeleev. Se demuestra que la KN 8x8 coloca los elementos de tal manera que obedece a muchas de las propiedades que se presentan en la tabla peridica original. Este hecho refuerza la eficiencia de la method.We tambin muestran que algunos elementos son tan similares que comparten la misma clula.

Kohonen Neural Network Las redes neuronales fueron desarrollados originalmente en la dcada de 1940 por el neurofisilogo Warren McCulloch de Massachusetts Institute of Technology y el matemtico Walter Pitts, de la Universidad de Illinois. Se propone un modelo sencillo de la neurona que se revel como un dispositivo de computacin de gran alcance y demostr que una disposicin de sincronizado de estas neuronas es capaz, en principio, de computacin universal. Por lo tanto, una red neuronal artificial puede realizar cualquier clculo que una corriente que se basa en el cerebro humano. Una red neuronal artificial (ANN) se compone de varias unidades de procesamiento cuyo individuo funcionamiento es simple. Estas unidades estn conectadas por canales de comunicacin que estn asociados con ciertos pesos. Las unidades operan con sus datos locales, que son las entradas recibidas por sus conexiones. El comportamiento inteligente de una RNA es un efecto global se explica por las interacciones entre las unidades de procesamiento de la red. Hay dos tipos de RNA de acuerdo con el esquema de aprendizaje: supervisados y no supervisados. En este trabajo, un tipo bien conocido de la red de aprendizaje no supervisado llama Kohonen red (KN) se utiliza. Las redes de conocimiento estn formados por un conjunto de elementos simples organizadas en estructuras ms complejas que trabajan juntas. Cada neurona es una unidad de procesamiento que recibe estmulo (desde fuera del sistema o de otras neuronas) y produce una respuesta (a otro

neuronas o fuera del sistema). Similar a la estructura del cerebro, las neuronas de las redes neuronales estn interconectados por ramas a travs del cual se propagan los estmulos. El proceso de aprendizaje consiste en el fortalecimiento de los vnculos que dirigen el sistema para producir respuestas ms eficientes. El objetivo de un KN es mapear los patrones de entrada de dimensin n arbitraria para una disposicin discreta geomtrica de dos dimensiones (Figura 1). Lo que distingue a las redes de Kohonen de otros es una estructura de dos capas: una capa de entrada y otro para el procesamiento, en donde se forma el mapa. La capa de procesamiento consta de una disposicin geomtrica de neuronas conectadas solamente a sus vecinos inmediatos. Los objetos que se agrupan para la segmentacin subsiguiente (por ejemplo, los elementos qumicos) se presentan, de una en una, a las neuronas de entrada. En cada presentacin, los estmulos generados por el objeto (por ejemplo, peso atmico, radio atmico, densidad, temperatura de fusin, etc) son capturados por la capa de entrada y transmite igualmente a todas las neuronas de la capa del mapa. En la red, la neurona que responde ms fuertemente a los estmulos del objeto que se presenta se gana por s mismo. Adems, refuerza sus enlaces con sus vecinos, hacindolos ms sensibles a las caractersticas del objeto capturado. La presentacin de todos los objetos de entrada a la red neuronal y la actualizacin de la ponderacin para cada elemento que se denomina la "poca". En una nueva poca, cuando un objeto se presenta al mapa, la regin sensibilizada todo va a reaccionar ms intensamente. Sin embargo, como las neuronas vecinas son diferentes de la neurona ganadora, cada uno va a reaccionar ms intensamente a un objeto ligeramente diferente. Con cada nueva presentacin de un objeto para el mapa, el perfil de sensibilidad a los cambios de las neuronas. Esto es lo que se llama "entrenamiento de la red" (Figura 2). Estos cambios, sin embargo, se hacen ms pequeas cada vez, de modo que la configuracin del mapa converge a una disposicin estable. Cuando esto sucede, themap ha "aprendido" a clasificar a los individuos. El resultado del procesamiento de una red entrenada es que cada neurona se convierte en el propietario de un nmero de objetos (Figura 3) similar a las captadas por las neuronas vecinas. As, los individuos similares se coloca cerca de la otra, formando un gradiente de caractersticas. Las redes de conocimiento puede ser denominado como auto-organizadas mapas. Ellos son un ejemplo de las redes de aprendizaje sin supervisin. El proceso de aprendizaje utiliza un conjunto de elementos conocidos y sus propiedades para determinar los valores ptimos para las conexiones entre las neuronas representados por las ponderaciones, w. Matemticamente, el proceso de aprendizaje de un KN puede ser descrito por

donde se denomina tasa de aprendizaje, es el factor de vecindad (el ms alto es el valor de , menor es el barrio se vern afectados), i representa la propiedad de formacin i, wij son los pesos para ser entrenados, L y J son ndices que caracterizar las clulas, y d (l, j) es la distancia entre las clulas L y J. Los pesos se inicializan a los valores aleatorios y se someten a la formacin. El proceso

es iterativo, es decir, los pesos determinados en la iteracin k + 1 se calcula a partir de los valores de la iteracin k, hasta que los valores de w (k + 1) y w (k) permanecen esencialmente sin cambios. Cada una de estas iteraciones es la poca. Es importante sealar que la condicin de contorno posee KN peridico. Los valores de i estn normalizados, es decir, al entrar en la red, se convierten en valores entre 0 y 1. Esto se hace para asegurar la uniformidad de los datos de entrada, debido a varias propiedades con diferentes rdenes de magnitud se utilizan.

FORMACIN Y PREDICCIN Para la formacin de la KN, las siguientes propiedades, conocidas por Mendeleev, se utilizaron: peso atmico, el radio de conexin, radio atmico, punto de fusin, y la reaccin con el oxgeno. Despus de la capacitacin, la investigacin del comportamiento de las diferentes propiedades de las que fueron entrenados se llev a cabo. Estas propiedades son el punto de ebullicin, nmero atmico, potencial de ionizacin, electronegatividad, y la densidad. El KN fue capaz de asignar las funciones que no formaban parte de la formacin. Una lista de los 69 elementos estudiados en este trabajo se presentan en la Tabla 1. Entre los elementos de formacin, 41 elementos qumicos fueron seleccionados al azar y, para la formacin de las redes, las 5 propiedades neuronales previamente identificados se utilizaron. Por conveniencia, un KN de arquitectura cuadrado, cuyos lados se compone de 8 neuronas, se utiliz. Formacin se llev a cabo en 5000 pocas para todas las pruebas. A travs de la variacin sistemtica de los parmetros de aprendizaje (0,04 e e 0,2) y de vecindad (0,7 e e 1,5), se encontr que la 8? 8 red con el mayor nmero de clulas llenas de un solo elemento se obtuvo cuando = 1,4 y = 0,09.

RESULTADOS El KN despus de que el proceso de formacin se presentan en la Tabla 2. Mediante la inspeccin de la Tabla 2, se puede observar que el KN reconocido y se agrupan los elementos con alta electronegatividad. Los elementos flor, cloro, bromo, oxgeno, nitrgeno y ocupan las clulas vecinas. Los metales de transicin tambin se agruparon: plata y paladio, nquel y cobre; manganeso (Mn), cromo (Cr), vanadio (V), y el titanio (Ti). Haba agrupaciones de metales alcalinos tales como el rubidio (Rb), potasio (K) y sodio (Na). Otro grupo de lnea que se form fue el potasio (K), calcio (Ca) y escandio (Sc). Tambin haba una alineacin de estroncio (Sr), itrio (Y), y el circonio (Zr). Desde el grupo 5A, fsforo (P) y nitrgeno (N) se agruparon. Utilizando los pesos entrenados, las clulas ocupado por el erbio elementos (Er), platino (Pt), el oro (Au) y el hidrgeno (H) se identificaron y se aadi a la Tabla 2. Este resultado se muestra en la Tabla 3. Tenga en cuenta la posicin propuesta en los redes de conocimiento, la colocacin de Er y Ce juntos, el hidrgeno en la misma celda como el fluoruro, y platino junto con el oro. En comparacin con la tabla peridica actual, se observa que el erbio y cerio, que ocupan la misma

clula, son lantnidos. El platino y el oro, que son metales, estn cerca de plata, rutenio y molibdeno y el hidrgeno se predijo al lado de fluoruro, que tambin es un no metal. Los resultados finales a partir de la Tabla 2, muestran 33 celdas ocupadas por un elemento y 4 celdas ocupadas por 2 elementos. (Esta tabla no se muestra.) Cadmio (Cd) y el indio (In), cobre (Cu) y plata (Ag), rodio (Rh) y paladio (Pd), niobio (Nb) y molibdeno (Mo) ocupan el mismo clula. Las propiedades que se utilizan para la formacin de la neurona y los elementos que compartan la misma celda se presentan en la Tabla 4. La pareja, niobio y molibdeno, presenta todas las propiedades no entrenados con valores similares. El par cadmio e indio tiene un peso similar atmica, conexin, as como los radios atmicos, y difiere slo en 20% en el punto de fusin. Una situacin similar ocurre para el par de rodio y paladio. El par de cobre y la plata tiene un peso atmico diferente, pero las propiedades no entrenados son similares. La red tanto, muestra que el peso atmico no es la caracterstica ms importante para la clasificacin de elementos. Algunas propiedades no utilizadas en la formacin se presentan en la Tabla 5. El cadmio e indio par tiene igual nmero atmico y electronegatividad. El par de cobre y plata cuenta con diferentes nmeros atmicos, pero las propiedades no entrenados son similares. El par de rodio y el paladio tiene un potencial de ionizacin diferente, pero las dems propiedades son similares. El niobio y molibdeno par tiene diferentes densidades, pero otras propiedades no entrenados son similares.

CONCLUSIONES

Utilizando la informacin conocida en el momento de Mendeleev, un sistema inteligente artificial fue probado para clasificar los elementos qumicos. Las redes de conocimiento fueron capaces de cartografiar los elementos qumicos y organizarlos de acuerdo con diversas propiedades capacitados as como no entrenado. Las redes de conocimiento organizado metales alcalinos, metales de transicin, e incluso propiedades que no estaban presentes durante el entrenamiento, por ejemplo, electronegatividad. Uso de la 8? 8 arquitectura, el sistema fue eficiente y logr mapear muchos aspectos diferentes de los elementos. Sin embargo, algunos elementos qumicos ocupado de la misma clula debido a que tenan similares propiedades generales.