menu
close

AI model 'CrystalGPT' mení výskum materiálových vied

Výskumníci z univerzít v Liverpoole a Southamptone vyvinuli CrystalGPT (oficiálne nazývaný MCRT), prelomový AI model trénovaný na viac ako 706 000 experimentálnych kryštálových štruktúrach. Systém spája grafové atómové reprezentácie s topologickým zobrazovaním, čo mu umožňuje súčasne analyzovať detailné molekulové štruktúry aj širšie vzory. Táto inovácia umožňuje presnú predikciu vlastností kryštálov s minimom dát, čo môže urýchliť objavy vo farmaceutikách, elektronike a pokročilých materiáloch.
AI model 'CrystalGPT' mení výskum materiálových vied

Britskí vedci vytvorili výkonný nový AI nástroj, ktorý by mohol zrevolucionalizovať spôsob, akým vedci objavujú a navrhujú nové materiály.

Tím z University of Liverpool a University of Southampton predstavil CrystalGPT, oficiálne označený ako Molecular Crystal Representation from Transformers (MCRT). Tento model založený na transformeroch bol predtrénovaný na 706 126 experimentálnych kryštálových štruktúrach z Cambridge Structural Database, čo mu umožnilo samostatne sa naučiť komplexný „jazyk“ molekulových kryštálov.

To, čo robí CrystalGPT jedinečným, je jeho dvojitý spôsob reprezentácie. Model kombinuje grafovú analýzu atómových väzieb s topologickým zobrazovaním, vďaka čomu dokáže spracovávať detailné molekulové štruktúry aj širšie vzory súčasne. Tento multimodálny prístup poskytuje AI komplexné pochopenie vlastností kryštálov na mikro aj makro úrovni.

„MCRT mal byť základným modelom, ktorý je možné jednoducho doladiť na konkrétny problém, aj keď je k dispozícii len malé množstvo dát,“ vysvetľuje člen tímu Xenophon Evangelopoulos z University of Liverpool. Táto schopnosť efektívne pracovať s obmedzenými dátami je obzvlášť cenná v chémii, kde sú laboratórne experimenty a výpočty často drahé a časovo náročné.

Model využíva štyri rôzne predtrénovacie úlohy na extrakciu lokálnych aj globálnych reprezentácií z kryštálov. Po doladení na konkrétne aplikácie dokáže CrystalGPT predikovať kľúčové materiálové vlastnosti, ako sú hustota, pórovitosť či symetria, s pozoruhodnou presnosťou a to len s malým zlomkom dát, ktoré by boli tradične potrebné.

Dôsledky pre materiálové vedy sú významné. Tradičné výpočtové metódy na predikciu kryštálových štruktúr a vlastností sú notoricky náročné na zdroje. CrystalGPT tieto obmedzenia obchádza a môže tak urýchliť objavy vo farmaceutikách, organickej elektronike, vývoji batérií či pórovitých materiáloch na skladovanie plynov. Ako poznamenáva profesor Andy Cooper z Liverpoolu, model sa „naučil najvýraznejšie vzory v týchto kryštáloch“ a „ako tieto vzory súvisia s praktickými vlastnosťami“, vďaka čomu je silným nástrojom pre inovácie v oblasti materiálov.

Source:

Latest News