Modelos de IA mais inteligentes e mais rápidos explorados para descoberta molecular e de materiais

Os pesquisadores de Cornell estão demonstrando como a inteligência synthetic – principalmente aprendizado profundo e modelagem generativa – podem acelerar o design de novas moléculas e materiais e até funcionar como um assistente de pesquisa autônomo.

Em um estudo publicado em Ciência Avançadaos pesquisadores exploraram como tornar os modelos de IA mais eficientes e eficazes na previsão das propriedades das moléculas para tudo, desde o desenvolvimento de medicamentos ao design de materiais. A equipe se concentrou em uma técnica chamada destilação de conhecimento, que envolve a compactação de redes neurais grandes e complexas em modelos menores e mais rápidos.

Os modelos destilados foram mais rápidos – e, em alguns casos, melhoraram o desempenho – enquanto funcionam bem em diferentes conjuntos de dados experimentais, tornando -os ideais para a triagem molecular sem a forte potência computacional exigida pela maioria dos sistemas de IA.

“Para acelerar a descoberta na ciência dos materiais, precisamos de sistemas de IA que não sejam apenas poderosos, mas cientificamente fundamentados”, disse o Fengqi You, o Roxanne E. e Michael J. Zak, Professor de Engenharia de Sistemas de Energia em Engenharia de Cornell, que é co-autor do estudo com o estudante de pós-graduação Rahul Sheshanarayana.

“Nosso trabalho mostra que a IA pode aprender a raciocinar em domínios químicos e estruturais, gerar materiais realistas e modelar comportamentos moleculares com eficiência e precisão – tudo enquanto alinham -se intimamente com os princípios fundamentais da ciência dos materiais”.

Você dirige a Iniciativa de Cornell AI para Sustentabilidade e co-dirige a AI da Universidade de Cornell para o Science Institute-dois programas que avançam na próxima geração de ciências movidas a IA. Ambos apoiaram os esforços de visão de futuro no grupo de pesquisa de você.

Em um Nature Computational Science papelVocê e Zhilong Wang, Eric e Wendy Schmidt Ai em Pós -Doutorado de Ciência, apresentam uma nova estrutura para o design inverso generativo de materiais cristalinos. Os cristais, com seus padrões atômicos repetidos e simetria estrita, apresentam um desafio para os modelos de IA, que geralmente dependem de representações abstratas ou simplificadas.

A solução proposta pelo grupo de pesquisa: um modelo generativo de IA informado pela física, que incorpora simetria cristalográfica, periodicidade, invertibilidade e invariância de permutação diretamente no processo de aprendizado do modelo. A estrutura permite que a IA gere novas estruturas cristalinas que não são apenas matematicamente possíveis, mas quimicamente realistas.

“Nosso objetivo é garantir que os materiais gerados pela IA sejam cientificamente significativos”, disse Wang. “Estamos codificando princípios físicos e as condições de operação diretamente na estrutura de aprendizagem; portanto, em vez de confiar em testes e erros de tentativa e erro, estamos orientando a IA com conhecimento do domínio”.

Em um artigo de revisão publicado em Materiais avançadosVocê e o estudante de doutorado Wenhao Yuan detalham uma classe emergente de sistemas de IA conhecida como inteligência de materiais generalistas.

Ao contrário dos modelos tradicionais treinados para tarefas específicas, a inteligência de materiais generalistas é alimentada por grandes modelos de linguagem e interage com computacional e dados experimentais Raciocinar, planejar e interagir com o texto científico, figuras e equações, funcionando como um agente de pesquisa autônomo.

“O que é emocionante é a ideia de que a IA pode começar a se envolver com a ciência mais holística”, disse Yuan. “Estamos ensinando a IA a pensar como um cientista, desenvolvendo hipóteses, projetando materiais e verificando resultados”.

Paralelamente à pesquisa do grupo, você também está trazendo conceitos de IA para a sala de aula. Nesta primavera, ele lançou um novo curso de nível de pós-graduação, IA for Supplies, que apresenta aos alunos novas técnicas para a ciência dos materiais, incluindo aprendizado profundo Aplicações em armazenamento de energia, otimização de síntese e modelagem de comportamento de materiais.

“O curso enfatiza aplicações transformadoras e os desafios da aplicação da IA ​​para acelerar o design dos materiais”, disse você. “Trata -se de equipar a próxima geração de pesquisadores e engenheiros com o conhecimento para impulsionar a inovação no cruzamento da IA ​​e Ciência dos Materiais. “