Cornell araştırmacıları, yapay zekanın – özellikle derin öğrenme ve üretken modelleme – yeni moleküllerin ve malzemelerin tasarımını nasıl hızlandırabilir ve hatta otonom araştırma görevlisi olarak işlev görebilir.
Yayınlanan bir çalışmada İleri BilimAraştırmacılar, AI modellerinin ilaç geliştirmeden malzeme tasarımına kadar her şey için moleküllerin özelliklerini tahmin etmede daha verimli ve etkili hale getirileceğini araştırdılar. Ekip, büyük ve karmaşık sinir ağlarının daha küçük, daha hızlı modellere sıkıştırılmasını içeren bilgi damıtma adı verilen bir tekniğe odaklandı.
Damıtılmış modeller, farklı deneysel veri kümelerinde iyi çalışırken, daha hızlı ve bazı durumlarda gelişmiş performans gösterdi, bu da onları çoğu AI sisteminin gerektirdiği ağır hesaplama gücü olmadan moleküler tarama için ideal hale getirdi.
Fengqi You, Roxanne E. ve Michael J. Zak Profesörü, lisansüstü öğrencisi Rahul Sheshanarayana ile birlikte yazan Fengqi You ve Michael J. Zak Profesörü Fengqi You ve Michael J. Zak Profesörü Fengqi You, “Malzeme biliminde keşfi hızlandırmak için.” Dedi.
“Çalışmamız, AI’nın kimyasal ve yapısal alanlar arasında akıl yürütmeyi öğrenebileceğini, gerçekçi malzemeler üretebileceğini ve verimlilik ve hassasiyetle moleküler davranışları modelleyebileceğini gösteriyor.
Cornell yapay zekasını sürdürülebilirlik girişimi için yönetiyorsunuz ve Cornell Üniversitesi Bilim Enstitüsü’nü-yeni nesil AI ile çalışan bilimi ilerleten iki program için ortak yönetiyorsunuz. Her ikisi de Siz Araştırma Grubunda ileri görüşlü çabaları destekledi.
Bir Doğa Hesaplamalı Bilimi Paper, sen ve Doktora sonrası bilim alanında bir Eric ve Wendy Schmidt AI olan Zhilong Wang, kristal malzemelerin üretken ters tasarımı için yeni bir çerçeve sunuyorsunuz. Kristaller, tekrarlayan atomik paternleri ve katı simetrisleri ile, genellikle soyut veya aşırı basitleştirilmiş gösterimlere dayanan AI modelleri için bir zorluk gösterir.
Araştırma grubunun önerilen çözümü: Kristalografik simetri, periyodiklik, terslik ve permütasyon değişmezliğini doğrudan modelin öğrenme sürecine yerleştiren fiziksel olarak bilgilendirilmiş bir üretken AI modeli. Çerçeve, AI’nın sadece matematiksel olarak mümkün değil, aynı zamanda kimyasal olarak gerçekçi olan yeni kristal yapılar üretmesine izin verir.
Wang, “Amacımız AI tarafından üretilen malzemelerin bilimsel olarak anlamlı olmasını sağlamaktır.” Dedi. Diyerek şöyle devam etti: “Fiziksel ilkeleri ve çalışma koşullarını doğrudan öğrenme çerçevesine kodlıyoruz, bu nedenle büyük deneme yanılma ve hatraya güvenmek yerine AI’ya alan bilgisi ile rehberlik ediyoruz.”
Bir inceleme makalesinde yayınlanan Gelişmiş MalzemelerSiz ve doktora öğrencisi Wenhao Yuan, Genelci Materyal Zekası olarak bilinen gelişmekte olan bir AI sistem sınıfını detaylandırıyorsunuz.
Belirli görevler için eğitilmiş geleneksel modellerin aksine, genelist materyal zekası, büyük dil modelleri tarafından güçlendirilir ve otonom bir araştırma ajanı olarak işlev gören bilimsel metin, figür ve denklemlerle akıl, planlama ve etkileşim kurmak için hem hesaplama hem de deneysel verilerle etkileşime girer.
Yuan, “Heyecan verici olan, AI’nın bilime daha bütünsel olarak etkileşime girebileceği fikri.” Dedi. Diyerek şöyle devam etti: “AI’ye bir bilim adamı gibi nasıl düşünüleceğini, hipotez geliştirmeyi, materyalleri tasarlamayı ve sonuçları doğrulamayı öğretiyoruz.”
Grubun araştırmalarına paralel olarak, AI kavramlarını sınıfa da getiriyorsunuz. Bu bahar, enerji depolama, sentez optimizasyonu ve malzeme davranış modellemesinde derin öğrenme uygulamaları da dahil olmak üzere öğrencileri malzeme bilimi için yeni tekniklere tanıtan yeni bir lisansüstü kursu olan AI için Materyaller için yeni bir lisansüstü kurs başlattı.
“Ders, dönüştürücü uygulamaları ve malzeme tasarımını hızlandırmak için AI uygulama zorluklarını vurgulamaktadır.” Dediniz. Diyerek şöyle devam etti: “Bu, yeni nesil araştırmacıları ve mühendisleri AI ve Malzeme Biliminin kesişiminde yeniliği yönlendirme bilgisiyle donatmakla ilgili.”
