Британские исследователи создали мощный новый инструмент на основе искусственного интеллекта, который может революционизировать способы открытия и проектирования новых материалов.
Команда из Университета Ливерпуля и Университета Саутгемптона представила CrystalGPT, официально названную Molecular Crystal Representation from Transformers (MCRT). Эта модель на базе трансформеров была предварительно обучена на 706 126 экспериментальных кристаллических структурах из Кембриджской структурной базы данных, что позволило ей самостоятельно освоить сложный «язык» молекулярных кристаллов.
Уникальность CrystalGPT заключается в её двойном подходе к представлению данных. Модель сочетает графовый анализ атомных связей с возможностями топологической визуализации, что позволяет одновременно обрабатывать как детальные молекулярные структуры, так и более широкие закономерности. Такой мультимодальный подход обеспечивает ИИ всестороннее понимание свойств кристаллов как на микро-, так и на макроуровне.
«MCRT задумывалась как базовая модель, которую можно легко дообучить под конкретную задачу даже при наличии небольшого объёма данных», — объясняет член команды Ксенофон Эвангелопулос из Университета Ливерпуля. Эта способность эффективно работать с ограниченными данными особенно ценна в химии, где лабораторные эксперименты и вычисления часто требуют значительных затрат времени и ресурсов.
Модель использует четыре различных задачи предварительного обучения для извлечения как локальных, так и глобальных представлений кристаллов. После дообучения под конкретные приложения CrystalGPT способна с высокой точностью предсказывать ключевые свойства материалов — такие как плотность, пористость и симметрия — используя лишь малую часть данных, которые обычно требуются.
Значение этого для материаловедения трудно переоценить. Традиционные вычислительные методы прогнозирования кристаллических структур и их свойств известны своей ресурсоёмкостью. CrystalGPT обходит эти ограничения, что может ускорить открытия в фармацевтике, органической электронике, разработке аккумуляторов и пористых материалов для хранения газов. Как отмечает профессор Энди Купер из Ливерпуля, модель «освоила наиболее характерные закономерности в этих кристаллах» и «поняла, как эти закономерности связаны с практическими свойствами», что делает её мощным инструментом для инноваций в области материалов.