Brittiska forskare har skapat ett kraftfullt nytt AI-verktyg som kan revolutionera hur forskare upptäcker och designar nya material.
Teamet från University of Liverpool och University of Southampton har presenterat CrystalGPT, officiellt benämnd Molecular Crystal Representation from Transformers (MCRT). Denna transformerbaserade modell har förtränats på 706 126 experimentella kristallstrukturer från Cambridge Structural Database, vilket gör det möjligt för modellen att självlära sig det komplexa språket hos molekylära kristaller.
Det som gör CrystalGPT unik är dess dubbla representationssätt. Modellen kombinerar grafbaserad analys av atomära bindningar med topologisk avbildningsförmåga, vilket gör att den kan bearbeta både detaljerade molekylstrukturer och bredare mönster samtidigt. Detta multimodala tillvägagångssätt ger AI:n en heltäckande förståelse för kristallers egenskaper på både mikro- och makronivå.
"MCRT var tänkt att vara en grundmodell som enkelt kan finjusteras för det aktuella problemet, även med små mängder tillgänglig data," förklarar teammedlemmen Xenophon Evangelopoulos från University of Liverpool. Denna förmåga att arbeta effektivt med begränsad data är särskilt värdefull inom kemin, där laboratorieexperiment och beräkningar ofta är kostsamma och tidskrävande.
Modellen använder fyra olika förträningsuppgifter för att extrahera både lokala och globala representationer från kristaller. När CrystalGPT finjusteras för specifika tillämpningar kan den förutsäga viktiga materialegenskaper som densitet, porositet och symmetri med anmärkningsvärd noggrannhet – och detta med endast en bråkdel av den datamängd som traditionellt krävs.
Konsekvenserna för materialvetenskapen är betydande. Traditionella beräkningsmetoder för att förutsäga kristallstrukturer och egenskaper är ökända för att vara resurskrävande. CrystalGPT kringgår dessa begränsningar och kan potentiellt påskynda upptäckter inom läkemedel, organiska elektronik, batteriutveckling och porösa material för gaslagring. Som professor Andy Cooper från Liverpool påpekar har modellen "lärt sig de mest utmärkande mönstren inom dessa kristaller" och "hur dessa mönster relaterar till praktiska egenskaper", vilket gör den till ett kraftfullt verktyg för materialinnovation.