Published on

Model AI Terobosan Microsoft Tingkatkan Akurasi Desain Material 10x

Penulis
  • avatar
    Nama
    Ajax
    Twitter

MatterGen: Model AI Revolusioner untuk Desain Material

Microsoft telah memperkenalkan MatterGen, sebuah model bahasa besar inovatif yang dirancang khusus untuk pembuatan material anorganik. Model ini, yang dibangun di atas arsitektur model difusi, mampu secara progresif mengoptimalkan jenis atom, koordinat, dan kisi periodik. Hal ini memungkinkan generasi cepat berbagai material anorganik baru. Contoh utama potensinya adalah di sektor energi, di mana MatterGen dapat menghasilkan material katoda baterai lithium-ion baru.

Dengan menyesuaikan jenis atom, memperkenalkan elemen logam transisi dengan struktur elektronik unik, dan menentukan lokasinya secara tepat dalam kisi, MatterGen memungkinkan pengembangan kisi kristal dengan mikrostruktur unik. Ini berpotensi meningkatkan masa pakai dan kinerja baterai secara signifikan.

Peningkatan Penemuan Material dengan MatterGen

Dibandingkan dengan metode tradisional penemuan material, MatterGen secara signifikan meningkatkan proporsi material stabil, unik, dan baru yang dihasilkan lebih dari dua kali lipat. Selain itu, struktur yang dihasilkan kira-kira sepuluh kali lebih dekat dengan minimum energi lokal Density Functional Theory (DFT). Hal ini menjadikan MatterGen alat yang sangat berharga untuk sektor teknologi tinggi seperti kendaraan listrik, kedirgantaraan, dan chip elektronik.

Analogi Sederhana: Membangun dengan MatterGen

Untuk membantu memahami konsep yang berpotensi kompleks ini, bayangkan Anda ingin membangun rumah. Metode tradisional melibatkan pemilihan dari desain yang ada, yang mungkin tidak sepenuhnya sesuai dengan kebutuhan Anda.

MatterGen, di sisi lain, memungkinkan Anda untuk menentukan kebutuhan Anda secara tepat. Anda bisa mengatakan, 'Saya ingin rumah dengan lima kamar tidur dengan gym, ruang bermain game, dua kamar tidur kecil, kamar tidur utama, dan taman kecil. Saya ingin arsitektur gaya Cina dengan dekorasi naga dan phoenix.'

Intinya, MatterGen memecah proses kompleks penemuan material anorganik melalui proses generatif yang terperinci. Ia mengeksplorasi dan membangun kombinasi material dan tata letak struktural yang ideal berdasarkan persyaratan khusus.

  • Dimulai dengan memilih jenis atom yang sesuai, seperti memilih bahan konstruksi dengan sifat yang berbeda.
  • Kemudian secara tepat menentukan koordinat atom-atom ini dalam ruang, mirip dengan menempatkan setiap batu bata dengan ketepatan.
  • Akhirnya, ia membangun kisi periodik yang sempurna, menciptakan kerangka kerja yang kuat dan unik.

Kekuatan AI dalam Ilmu Material

Kemajuan pesat dalam AI membentuk kembali berbagai bidang, dan ilmu material tidak terkecuali. Kemampuan MatterGen untuk menemukan superkonduktor baru, meningkatkan kinerja komputasi, dan selanjutnya menemukan lebih banyak bahan superkonduktor, adalah bukti dari hal ini. Ini adalah siklus yang memperkuat diri sendiri di mana AI terus-menerus menyempurnakan dan mengoptimalkan segalanya.

Potensi Aplikasi dan Dampak

  • Teknologi Baterai: MatterGen dapat merevolusi aditif sel baterai, area yang telah banyak dibahas dan diminati. Model ini berpotensi membantu dalam produksi material aktif elektroda positif.
  • Implikasi AGI: Kemampuan model ini menunjukkan bahwa ini adalah kemajuan menuju Kecerdasan Umum Buatan (AGI).
  • Tantangan Global: Teknologi ini menjanjikan untuk mengatasi tantangan global, seperti perubahan iklim.

Arsitektur MatterGen: Proses Difusi

Inti dari MatterGen terletak pada proses difusi, yang terinspirasi oleh fenomena fisik di mana partikel bergerak dari area dengan konsentrasi tinggi ke area dengan konsentrasi rendah hingga mencapai distribusi yang merata. Dalam desain material, proses ini diadaptasi untuk menghasilkan struktur kristal yang teratur dan stabil dari keadaan awal yang benar-benar acak.

Prosesnya dimulai dengan struktur awal acak yang tidak memiliki signifikansi fisik. Kemudian, melalui serangkaian langkah berulang, MatterGen mengurangi 'kebisingan' dalam struktur awal, membawanya lebih dekat ke struktur kristal nyata. Ini tidak acak; ini dipandu oleh hukum fisika dan prinsip-prinsip ilmu material.

Dalam setiap iterasi, MatterGen menyempurnakan jenis atom, koordinat, dan parameter kisi. Penyesuaian ini didasarkan pada distribusi yang telah ditentukan dan termotivasi secara fisik, memastikan bahwa model mempertimbangkan sifat fisik aktual seperti panjang ikatan, sudut ikatan, dan simetri kisi.

Difusi koordinat menghormati batas periodik kristal, menggunakan distribusi normal terbungkus untuk menyesuaikan posisi atom, mencegah atom meninggalkan struktur periodik kristal.

Difusi kisi menggunakan bentuk simetris, di mana rata-rata distribusi adalah kisi kubik, dan kepadatan atom rata-rata diperoleh dari data pelatihan, memastikan stabilitas dan relevansi fisik struktur yang dihasilkan.

Peran Jaringan Skor Ekuivarian

Jaringan skor ekuivarian adalah komponen penting lainnya dalam MatterGen. Ia belajar untuk memulihkan struktur kristal asli dari proses difusi. Desain jaringan ini didasarkan pada prinsip ekuivarian, yang berarti bahwa suatu sistem mempertahankan properti tertentu di bawah transformasi tertentu. Untuk material kristal, ini menyiratkan bahwa sifat material tetap tidak berubah selama rotasi dan translasi.

Jaringan mengeluarkan skor ekuivarian untuk jenis atom, koordinat, dan kisi. Skor ini mewakili 'ketidaksesuaian' setiap atom dan parameter kisi dalam struktur saat ini, atau penyimpangannya dari struktur kristal ideal. Dengan menghitung skor ini, jaringan memandu model untuk menyesuaikan atom dan parameter kisi, mengurangi kebisingan dan bergerak lebih dekat ke struktur kristal yang stabil.

Adaptabilitas Melalui Modul Adapter

Untuk meningkatkan fleksibilitas, MatterGen menggabungkan modul adapter, memungkinkan penyetelan halus untuk berbagai tugas hilir. Modul-modul ini dapat mengubah output model berdasarkan label properti yang diberikan.

Adapter memperkenalkan serangkaian parameter tambahan di setiap lapisan model, yang dapat disesuaikan berdasarkan label properti khusus tugas. Parameter ini dioptimalkan selama penyetelan halus untuk memastikan struktur yang dihasilkan memenuhi persyaratan tugas tertentu. Desain ini tidak hanya meningkatkan kemampuan beradaptasi tetapi juga mengurangi jumlah data berlabel yang diperlukan untuk penyetelan halus.

Misalnya, saat merancang material baterai baru, model dapat fokus pada konduktivitas listrik dan laju difusi ion. Namun, jika merancang katalis, model mungkin fokus pada aktivitas permukaan dan selektivitas. Modul adapter memungkinkan model untuk menyesuaikan strategi pembuatan strukturnya sesuai dengan kebutuhan yang berbeda ini.

Pengakuan dan Publikasi

Microsoft telah menerbitkan penelitian ini di Nature, menerima pengakuan luas dari para ahli teknologi terkemuka. Ini dibandingkan dengan seri AlphaFold Google, model prediksi protein yang menerima Hadiah Nobel dalam Kimia tahun lalu.