Κατ' αρχήν, η τεχνητή νοημοσύνη θα μπορούσε να κάνει την εύρεση του κατάλληλου υλικού για μια δουλειά τόσο εύκολη όσο η παραγγελία δείπνου: περιγράψτε τι χρειάζεστε σε ένα μεγάλο μοντέλο γλώσσας και σας δίνει ένα κρύσταλλο σχεδιασμένο για την εργασία. Στην πράξη, αυτό το σενάριο παρέμεινε απρόσιτο, επειδή τα μοντέλα πίσω από τα σημερινά chatbots δεν έχουν δει ποτέ πραγματικά πώς μοιάζουν τα περισσότερα υλικά.
Οι ερευνητές του MIT αναφέρουν ότι έχουν κάνει ένα συγκεκριμένο βήμα προς την επίλυση αυτού. Σε μια νέα εργασία που δημοσιεύτηκε στο Nature Communications, μια ομάδα από το Τμήμα Επιστήμης και Μηχανικής Υλικών του MIT (DMSE) περιγράφει ένα πολυτροπικό μοντέλο τεχνητής νοημοσύνης που συνδυάζει τρισδιάστατες ατομικές δομές με περιγραφές φυσικών γλωσσών, αφήνοντας το σύστημα να συλλογιστεί την κρυσταλλική γεωμετρία και το κείμενο ταυτόχρονα. Σύμφωνα με το MIT News, το μοντέλο προσδιορίζει καλύτερα σχέδια υλικού από συστήματα που έχουν εκπαιδευτεί μόνο σε κείμενο, επιτρέποντας στην τεχνητή νοημοσύνη να δει τις ατομικές διατάξεις και τα μοτίβα συγκόλλησης που καθορίζουν τη συμπεριφορά των υλικών. Η εργασία προσθέτει σε ένα πολυάσχολο τμήμα [κάλυψης της βιομηχανίας AI] (https://aibuzzwire.news) που επικεντρώνεται σε μοντέλα που κινούνται πέρα από το κείμενο και στον φυσικό κόσμο.
Γιατί τα μοντέλα που εκπαιδεύονται σε κείμενο σκοντάφτουν στην ύλη
Το εμπόδιο είναι βασικά στα δεδομένα. Τα περισσότερα υλικά είναι κρυσταλλικά: τρισδιάστατες, περιοδικές διατάξεις ατόμων των οποίων οι δομές αποθηκεύονται σε εξειδικευμένες υπολογιστικές μορφές αντί για ροές κειμένου στις οποίες εκπαιδεύονται μεγάλα γλωσσικά μοντέλα. Επιπλέον, η πειραματική βιβλιογραφία είναι πολύ προκατειλημμένη προς μερικές δημοφιλείς κατηγορίες κρυστάλλων, γεγονός που παραμορφώνει τα αποτελέσματα οποιασδήποτε τεχνητής νοημοσύνης που έχει εκπαιδευτεί κυρίως σε δημοσιευμένες εργασίες.
Το αποτέλεσμα είναι ένα τυφλό σημείο με πραγματικές συνέπειες. Περισσότερο από το 90 τοις εκατό των στερεών υλικών στη Γη είναι κρυσταλλικά και πολλές από τις δομές που θα μπορούσαν να έχουν σημασία για τις μπαταρίες, τα ηλεκτρονικά ή τους καταλύτες επόμενης γενιάς ζουν σε υπολογιστικές βάσεις δεδομένων που τα συστήματα μόνο για γλώσσα δεν μπορούν να διαβάσουν αποτελεσματικά.
Διδασκαλία ενός μοντέλου για την ευθυγράμμιση της δομής με τη γλώσσα
Η απάντηση της ομάδας του MIT ήταν να δημιουργήσει αυτό που είναι ουσιαστικά ένα μοντέλο γλώσσας όρασης για τους κρυστάλλους. Οι ερευνητές εκπαίδευσαν ένα γλωσσικό μοντέλο για να παράγει περιγραφές κειμένου κρυσταλλικών δομών χρησιμοποιώντας αντιθετική μάθηση, μια προσέγγιση στην οποία ένα μοντέλο συγκρίνει παρόμοια και ανόμοια παραδείγματα δομών και περιγραφών μέχρι να αναπτύξει μια ενιαία κατανόηση.
Το σημαντικότερο είναι ότι η ομάδα επέλεξε να συνθέσει τις δικές της αφηγήσεις σχετικά με τα υλικά αντί να βασίζεται αποκλειστικά σε υπάρχοντα έγγραφα. Με βάση τη βιβλιογραφία πειραματικής έρευνας και τις υπολογιστικές βάσεις δεδομένων πρώτων αρχών, το μοντέλο παρήγαγε πλούσιες περιγραφές που καλύπτουν όχι μόνο τη χημική σύνθεση και τη δομή, αλλά και ιδιότητες, ζητήματα επεξεργασίας και πιθανές εφαρμογές.
«Θέλαμε να δημιουργήσουμε ένα μοντέλο τεχνητής νοημοσύνης που θα λειτουργεί ευρέως σε όλα τα υλικά», δήλωσε ο Τζου Λι, καθηγητής Μηχανικής Ενέργειας Carl Richard Soderberg στο MIT και ανώτερος συγγραφέας της εργασίας. "Γι' αυτό αποφασίσαμε να συνθέσουμε αφηγήσεις αντί να βασιστούμε αποκλειστικά σε υπάρχοντα έγγραφα. Διαπιστώσαμε ότι όταν χρησιμοποιήσαμε αυτό το σύνολο δεδομένων αφήγησης, τα μοντέλα είναι καλύτερα στην πρόβλεψη της συνάρτησης."
Η δοκιμή: Εύρεση ηλεκτρολυτών μπαταρίας στερεάς κατάστασης
Για να αξιολογήσουν την προσέγγιση, οι ερευνητές συνέκριναν δύο εκδόσεις του μοντέλου: μία που εκπαιδεύτηκε στις δομικές περιγραφές που δημιουργήθηκαν από την τεχνητή νοημοσύνη και μία εκπαιδευμένη μόνο σε κείμενο από ερευνητικές εργασίες. Η έκδοση που εκπαιδεύτηκε στις συνθετικές περιγραφές έμαθε επιτυχώς να ευθυγραμμίζει τις γεωμετρικές δομές με τη γλώσσα, ενώ η έκδοση μόνο με κείμενο όχι.
Στη συνέχεια, η ομάδα ζήτησε από το μοντέλο να εντοπίσει κρυσταλλικά υλικά κατάλληλα για ηλεκτρολύτες μπαταριών ιόντων λιθίου στερεάς κατάστασης - μια βασική πρόκληση για τις μπαταρίες επόμενης γενιάς. Σύμφωνα με το MIT News, τα κορυφαία αποτελέσματα του μοντέλου περιελάμβαναν υλικά που είχαν αναγνωριστεί ανεξάρτητα ως πολλά υποσχόμενα υποψήφια και το σύστημα ξεπέρασε τη γραμμή βάσης μόνο κειμένου όταν δόθηκε ερωτήματα σε φυσική γλώσσα που περιγράφουν μια ιδιότητα και ζητήθηκε να βρει κρυστάλλους με αυτήν την ιδιότητα.
«Η δομή βρίσκεται πραγματικά στην καρδιά του πεδίου της επιστήμης των υλικών», είπε ο Λι. "Εάν κατανοείτε τη δομή, μπορείτε να συμπεράνετε πολλά για τις ιδιότητες και την απόδοση των υλικών. Θέλαμε να δημιουργήσουμε τη σύνδεση μεταξύ της ατομικής δομής ενός υλικού και των ιδιοτήτων και της επεξεργασίας του για το μοντέλο."
Πού ταιριάζει αυτό στην Ανακάλυψη υλικών που βασίζεται σε AI
Την τελευταία δεκαετία, η τεχνητή νοημοσύνη έχει ήδη αναδιαμορφώσει τον τρόπο με τον οποίο προτείνονται και σχεδιάζονται νέοι κρύσταλλοι. Τα περισσότερα από αυτά τα συστήματα, ωστόσο, αντιμετωπίζουν τα κρυσταλλικά υλικά ως τρισδιάστατα γραφήματα που υποβάλλονται σε επεξεργασία από εξειδικευμένες αρχιτεκτονικές, ξεχωριστά από τα μοντέλα γλώσσας που τροφοδοτούν την τεχνητή νοημοσύνη γενικής χρήσης. Διδάσκοντας ένα μοντέλο που βασίζεται στη γλώσσα για την άμεση αντίληψη της γεωμετρίας, η εργασία του MIT οδηγεί σε βοηθούς που θα μπορούσαν μια μέρα να χειριστούν ένα αίτημα υλικού που δηλώνεται σε απλά αγγλικά από άκρη σε άκρη.
Η ερευνητική ομάδα περιελάμβανε τον πρώτο συγγραφέα Yang Jeong Park, πρώην μεταδιδάκτορα του MIT, μαζί με τον Mayank Kumaran, πρόσφατο πτυχιούχο μηχανικού υπολογιστών από το Πανεπιστήμιο του Illinois Urbana-Champaign, τον Chia-Wei Hsu και την Elsa Olivetti, τον Jerry McAfee (1940) καθηγητή Μηχανικής στο MIT.
Τι ακολουθεί
Το μοντέλο παραμένει ένα ερευνητικό σύστημα και το MIT δεν έχει ανακοινώσει καμία παραγωγή. Αλλά οι επιπτώσεις είναι ευρείες: οι ηλεκτρολύτες στερεάς κατάστασης ήταν μια δοκιμαστική περίπτωση και η ίδια προσέγγιση δομής συν γλώσσα θα μπορούσε να εφαρμοστεί σε καταλύτες, ημιαγωγούς ή δομικά υλικά. Εάν η προσέγγιση γενικευτεί, το σημείο συμφόρησης στην ανακάλυψη υλικών μπορεί να μετατοπιστεί από τη δημιουργία υποψήφιων κρυστάλλων στην επικύρωσή τους στο εργαστήριο - μια αλλαγή που οι πειραματιστές πιθανότατα θα καλωσόριζαν.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα πιο πρόσφατα νέα, αναλύσεις και ανακαλύψεις για την τεχνητή νοημοσύνη — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →
