Новая модель искусственного интеллекта меняет понимание металла

Sep 21, 2023

13 марта 2023 г.

Эта статья была проверена в соответствии с редакционным процессом и политикой Science X. Редакторы выделили следующие атрибуты, гарантируя при этом достоверность контента:

проверенный фактами

рецензируемое издание

надежный источник

корректура

Федеральная политехническая школа Лозанны

Как iPhone предсказывает следующее слово, которое вы собираетесь ввести в сообщении? Технология, лежащая в основе многих приложений искусственного интеллекта, называется преобразователем; алгоритм глубокого обучения, который обнаруживает закономерности в наборах данных.

Теперь исследователи из EPFL и KAIST создали преобразователь для металлоорганических каркасов (MOF), класса пористых кристаллических материалов. Комбинируя органические линкеры с металлическими узлами, химики могут синтезировать миллионы различных материалов с потенциальным применением в хранении энергии и разделении газов.

«MOFtransformer» предназначен для использования в качестве ChatGPT для исследователей, изучающих MOF. Его архитектура основана на искусственном интеллекте под названием Google Brain, который может обрабатывать естественный язык и составляет основу популярных языковых моделей, таких как GPT-3, предшественник ChatGPT. Основная идея этих моделей заключается в том, что они предварительно обучены работе с большим объемом текста, поэтому, когда мы начинаем печатать, например, на iPhone, такие модели «знают» и автоматически дополняют наиболее вероятное следующее слово.

«Мы хотели изучить эту идею для министерств финансов, но вместо того, чтобы давать словесное предложение, мы хотели, чтобы она предлагала недвижимость», - говорит профессор Беренд Смит, который возглавлял часть проекта EPFL. «Мы предварительно обучили MOFTransformer с миллионом гипотетических MOF, чтобы изучить их основные характеристики, которые мы представили в виде предложения. Затем модель была обучена завершать эти предложения, чтобы дать правильные характеристики MOF».

Затем исследователи настроили MOFTransformer для задач, связанных с хранением водорода, таких как емкость хранения водорода, коэффициент его диффузии и ширина запрещенной зоны MOF («энергетический барьер», который определяет, насколько легко электроны могут перемещаться через материал). ).

Подход показал, что MOFTransformer может получать результаты, используя гораздо меньше данных по сравнению с традиционными методами машинного обучения, которые требуют гораздо больше данных. «Благодаря предварительному обучению преобразователь MOFT уже знает многие общие свойства MOF; и благодаря этим знаниям нам нужно меньше данных для обучения другому свойству», — говорит Смит. Более того, одну и ту же модель можно использовать для всех свойств, тогда как при традиционном машинном обучении для каждого приложения необходимо разрабатывать отдельную модель.

MOFTransformer меняет правила игры в изучении MOF, обеспечивая более быстрые результаты с меньшим количеством данных и более полное понимание материала. Исследователи надеются, что MOFTransformer проложит путь к разработке новых MOF с улучшенными свойствами для хранения водорода и других применений.

Результаты опубликованы в журнале Nature Machine Intelligence.

Больше информации: Джихан Ким, Мультимодальный преобразователь предварительного обучения для универсального трансферного обучения в металлоорганических структурах, Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00628-2. www.nature.com/articles/s42256-023-00628-2

Информация журнала:Природа Машинный интеллект

Предоставлено Федеральной политехнической школой Лозанны.