Nilikha ng mga British na mananaliksik ang isang makapangyarihang bagong AI tool na maaaring magbago sa paraan ng pagtuklas at pagdidisenyo ng mga siyentipiko ng mga bagong materyales.
Ipinakilala ng koponan mula sa University of Liverpool at University of Southampton ang CrystalGPT, na opisyal na tinatawag na Molecular Crystal Representation from Transformers (MCRT). Ang modelong ito na nakabase sa transformer ay sinanay gamit ang 706,126 na eksperimento ng estruktura ng kristal mula sa Cambridge Structural Database, na nagbigay-daan dito upang sariling matutunan ang komplikadong wika ng mga molekular na kristal.
Ang nagpapakilala sa CrystalGPT ay ang kakaibang dual-representation approach nito. Pinagsasama ng modelo ang pagsusuri ng mga atomic bond gamit ang graph-based na pamamaraan at ang kakayahan sa topological imaging, kaya't sabay nitong napoproseso ang detalyadong estruktura ng molekula at mas malalawak na pattern. Dahil sa multi-modal na approach na ito, nagkakaroon ang AI ng mas malalim at malawak na pag-unawa sa mga katangian ng kristal—mula micro hanggang macro level.
"Layunin ng MCRT na maging isang foundation model na madaling i-fine-tune para sa partikular na problema, kahit limitado lang ang datos na available," paliwanag ni Xenophon Evangelopoulos mula sa University of Liverpool. Mahalaga ito lalo na sa larangan ng kimika, kung saan magastos at matagal ang mga eksperimento at kalkulasyon sa laboratoryo.
Gumagamit ang modelo ng apat na magkaibang pre-training tasks upang makuha ang parehong lokal at global na representasyon mula sa mga kristal. Kapag na-fine-tune para sa espesipikong aplikasyon, kayang hulaan ng CrystalGPT ang mahahalagang katangian ng materyales gaya ng densidad, porosity, at symmetry nang may pambihirang katumpakan gamit lamang ang maliit na bahagi ng datos na karaniwang kinakailangan.
Malaki ang epekto nito sa agham ng materyales. Kilala ang mga tradisyonal na computational methods sa pagiging matakaw sa resources pagdating sa pag-predict ng estruktura at katangian ng mga kristal. Nilalampasan ng CrystalGPT ang mga limitasyong ito, kaya't posibleng mapabilis ang mga tuklas sa parmasyutika, organikong elektronika, pag-develop ng baterya, at mga porous na materyales para sa gas storage. Ayon kay Propesor Andy Cooper mula sa Liverpool, natutunan ng modelo ang "pinaka-natatanging mga pattern sa loob ng mga kristal na ito" at "kung paano nauugnay ang mga pattern na ito sa praktikal na mga katangian," kaya't isa itong makapangyarihang kasangkapan para sa inobasyon sa materyales.