Britse onderzoekers hebben een krachtig nieuw AI-instrument ontwikkeld dat de manier waarop wetenschappers nieuwe materialen ontdekken en ontwerpen radicaal kan veranderen.
Het team van de University of Liverpool en de University of Southampton heeft CrystalGPT onthuld, officieel aangeduid als Molecular Crystal Representation from Transformers (MCRT). Dit transformer-gebaseerde model is voorgetraind op 706.126 experimentele kristalstructuren uit de Cambridge Structural Database, waardoor het in staat is om zelfstandig de complexe 'taal' van moleculaire kristallen te leren.
Wat CrystalGPT uniek maakt, is de duale representatiebenadering. Het model combineert grafische analyse van atomaire bindingen met topologische beeldvorming, waardoor het zowel gedetailleerde moleculaire structuren als bredere patronen gelijktijdig kan verwerken. Deze multimodale aanpak geeft de AI een allesomvattend begrip van kristaleigenschappen op zowel micro- als macroniveau.
"MCRT was bedoeld als een foundation model dat eenvoudig kan worden afgestemd op het specifieke probleem, zelfs met kleine hoeveelheden beschikbare data," legt teamlid Xenophon Evangelopoulos van de University of Liverpool uit. Dit vermogen om effectief te werken met beperkte data is vooral waardevol in de chemie, waar laboratoriumexperimenten en berekeningen vaak duur en tijdrovend zijn.
Het model maakt gebruik van vier verschillende pre-trainingsopdrachten om zowel lokale als globale representaties uit kristallen te halen. Wanneer het wordt afgestemd op specifieke toepassingen, kan CrystalGPT belangrijke materiaaleigenschappen zoals dichtheid, porositeit en symmetrie met opmerkelijke nauwkeurigheid voorspellen, en dat met slechts een fractie van de data die traditioneel nodig is.
De implicaties voor de materiaalwetenschap zijn aanzienlijk. Traditionele computationele methoden voor het voorspellen van kristalstructuren en -eigenschappen zijn berucht om hun hoge verbruik van rekenkracht. CrystalGPT omzeilt deze beperkingen en kan zo ontdekkingen in de farmacie, organische elektronica, batterijontwikkeling en poreuze materialen voor gasopslag versnellen. Zoals professor Andy Cooper van Liverpool opmerkt, heeft het model "de meest kenmerkende patronen binnen deze kristallen geleerd" en "hoe deze patronen samenhangen met praktische eigenschappen", waardoor het een krachtig instrument is voor innovatie in de materiaalwetenschap.