Britiske forskere har skabt et kraftfuldt nyt AI-værktøj, der kan revolutionere måden, hvorpå videnskabsfolk opdager og designer nye materialer.
Holdet fra University of Liverpool og University of Southampton har præsenteret CrystalGPT, officielt benævnt Molecular Crystal Representation from Transformers (MCRT). Denne transformer-baserede model blev fortrænet på 706.126 eksperimentelle krystalstrukturer fra Cambridge Structural Database, hvilket gør det muligt for modellen selv at lære det komplekse sprog for molekylære krystaller.
Det, der gør CrystalGPT unik, er dens dobbeltrepræsentations-tilgang. Modellen kombinerer grafbaseret analyse af atomare bindinger med topologiske billeddannelsesevner, hvilket gør det muligt at bearbejde både detaljerede molekylære strukturer og overordnede mønstre samtidigt. Denne multimodale tilgang giver AI'en en omfattende forståelse af krystalegenskaber på både mikro- og makroniveau.
"MCRT var tænkt som en grundmodel, der let kan finjusteres til den aktuelle problemstilling, selv med små datamængder," forklarer teammedlem Xenophon Evangelopoulos fra University of Liverpool. Denne evne til at arbejde effektivt med begrænsede data er særligt værdifuld i kemi, hvor laboratorieforsøg og beregninger ofte er dyre og tidskrævende.
Modellen benytter fire forskellige fortræningsopgaver til at udtrække både lokale og globale repræsentationer fra krystaller. Når CrystalGPT finjusteres til specifikke anvendelser, kan den forudsige vigtige materialeegenskaber som densitet, porøsitet og symmetri med bemærkelsesværdig nøjagtighed – og det med kun en brøkdel af den datamængde, der traditionelt kræves.
Konsekvenserne for materialeforskning er betydelige. Traditionelle beregningsmetoder til at forudsige krystalstrukturer og egenskaber er notorisk ressourcekrævende. CrystalGPT omgår disse begrænsninger og kan potentielt accelerere opdagelser inden for farmaceutiske produkter, organiske elektronik, batteriudvikling og porøse materialer til gaslagring. Som professor Andy Cooper fra Liverpool bemærker, har modellen "lært de mest karakteristiske mønstre i disse krystaller" og "hvordan disse mønstre relaterer sig til praktiske egenskaber", hvilket gør den til et stærkt værktøj for innovation inden for materialer.