Brittiläiset tutkijat ovat luoneet uuden, tehokkaan tekoälytyökalun, joka voi mullistaa tapaa, jolla tiedemiehet löytävät ja suunnittelevat uusia materiaaleja.
Liverpoolin ja Southamptonin yliopistojen tiimi on esitellyt CrystalGPT:n, joka tunnetaan virallisesti nimellä Molecular Crystal Representation from Transformers (MCRT). Tämä transformer-pohjainen malli esikoulutettiin 706 126 kokeellisella kiteen rakenteella, jotka on kerätty Cambridge Structural Database -tietokannasta. Näin malli pystyi itsenäisesti oppimaan molekyylikiteiden monimutkaisen 'kielen'.
CrystalGPT:n ainutlaatuisuus piilee sen kaksoisedustuksessa. Malli yhdistää atomisidosten graafipohjaisen analyysin topologiseen kuvantamiseen, mahdollistaen sekä yksityiskohtaisten molekyylirakenteiden että laajempien rakenteellisten mallien samanaikaisen käsittelyn. Tämä multimodaalinen lähestymistapa antaa tekoälylle kokonaisvaltaisen ymmärryksen kiteiden ominaisuuksista sekä mikro- että makrotasolla.
"MCRT kehitettiin perustamalliksi, jota voidaan helposti hienosäätää kulloiseenkin ongelmaan, vaikka käytettävissä olisi vain vähän dataa", kertoo tiimin jäsen Xenophon Evangelopoulos Liverpoolin yliopistosta. Kyky toimia tehokkaasti rajallisella datalla on erityisen arvokasta kemiassa, jossa laboratoriokokeet ja laskennat ovat usein kalliita ja aikaa vieviä.
Malli hyödyntää neljää erilaista esikoulutustehtävää kiteiden paikallisten ja globaalien piirteiden oppimiseen. Kun CrystalGPT:tä hienosäädetään tiettyihin käyttötarkoituksiin, se kykenee ennustamaan keskeisiä materiaaliominaisuuksia, kuten tiheyttä, huokoisuutta ja symmetriaa, poikkeuksellisen tarkasti – käyttäen vain murto-osan perinteisesti vaaditusta datamäärästä.
Tällä on merkittäviä vaikutuksia materiaalitieteeseen. Perinteiset laskennalliset menetelmät kiteiden rakenteiden ja ominaisuuksien ennustamiseen ovat tunnetusti raskaita ja resursseja vaativia. CrystalGPT ohittaa nämä rajoitteet ja voi nopeuttaa läpimurtoja esimerkiksi lääkekehityksessä, orgaanisessa elektroniikassa, akkuteknologiassa sekä kaasujen varastointiin tarkoitetuissa huokoisissa materiaaleissa. Kuten professori Andy Cooper Liverpoolista toteaa, malli on "oppinut kiteiden tunnusomaisimmat rakenteelliset piirteet" sekä "miten nämä piirteet liittyvät käytännön ominaisuuksiin", mikä tekee siitä vahvan työkalun materiaalien innovaatioon.