menu
close

Model AI 'CrystalGPT' rewolucjonizuje badania nad materiałami

Naukowcy z Uniwersytetów w Liverpoolu i Southampton opracowali CrystalGPT (oficjalnie nazwany MCRT) – przełomowy model sztucznej inteligencji wytrenowany na ponad 706 000 eksperymentalnych struktur krystalicznych. System łączy grafowe reprezentacje atomowe z obrazowaniem topologicznym, umożliwiając jednoczesną analizę szczegółowych struktur molekularnych i szerszych wzorców. Ta innowacja pozwala na precyzyjne przewidywanie właściwości kryształów przy minimalnej ilości danych, co może przyspieszyć odkrycia w farmacji, elektronice i zaawansowanych materiałach.
Model AI 'CrystalGPT' rewolucjonizuje badania nad materiałami

Brytyjscy naukowcy stworzyli potężne narzędzie AI, które może zrewolucjonizować sposób, w jaki badacze odkrywają i projektują nowe materiały.

Zespół z Uniwersytetu w Liverpoolu oraz Uniwersytetu w Southampton zaprezentował CrystalGPT, oficjalnie określany jako Molecular Crystal Representation from Transformers (MCRT). Ten model oparty na architekturze transformerów został wstępnie wytrenowany na 706 126 eksperymentalnych strukturach krystalicznych z Cambridge Structural Database, co pozwoliło mu samodzielnie nauczyć się złożonego „języka” kryształów molekularnych.

Wyjątkowość CrystalGPT polega na jego podejściu do podwójnej reprezentacji. Model łączy analizę grafową wiązań atomowych z możliwościami obrazowania topologicznego, co umożliwia mu jednoczesne przetwarzanie zarówno szczegółowych struktur molekularnych, jak i szerszych wzorców. To multimodalne podejście daje AI kompleksowe zrozumienie właściwości kryształów na poziomie mikro i makro.

„MCRT miał być modelem bazowym, który można łatwo dostosować do konkretnego problemu, nawet przy niewielkiej ilości dostępnych danych” – wyjaśnia Xenophon Evangelopoulos z Uniwersytetu w Liverpoolu. Ta zdolność efektywnej pracy przy ograniczonych danych jest szczególnie cenna w chemii, gdzie eksperymenty laboratoryjne i obliczenia są często kosztowne i czasochłonne.

Model wykorzystuje cztery różne zadania pre-treningowe, aby wydobyć zarówno lokalne, jak i globalne reprezentacje kryształów. Po dostrojeniu do konkretnych zastosowań CrystalGPT potrafi z niezwykłą precyzją przewidywać kluczowe właściwości materiałów, takie jak gęstość, porowatość czy symetria, wykorzystując jedynie ułamek danych tradycyjnie wymaganych.

Konsekwencje dla nauki o materiałach są znaczące. Tradycyjne metody obliczeniowe przewidywania struktur i właściwości kryształów są notorycznie zasobożerne. CrystalGPT omija te ograniczenia, potencjalnie przyspieszając odkrycia w farmacji, elektronice organicznej, rozwoju baterii oraz materiałach porowatych do magazynowania gazów. Jak zauważa profesor Andy Cooper z Liverpoolu, model „nauczył się najbardziej charakterystycznych wzorców w tych kryształach” oraz „jak te wzorce przekładają się na praktyczne właściwości”, czyniąc z niego potężne narzędzie innowacji materiałowych.

Source:

Latest News