Przełomowy Model AI Microsoftu w Projektowaniu Materiałów Zwiększa Dokładność 10x

Wprowadzenie do MatterGen: Rewolucyjnego Modelu AI do Projektowania Materiałów

Microsoft zaprezentował MatterGen, przełomowy duży model językowy, stworzony specjalnie do tworzenia materiałów nieorganicznych. Ten innowacyjny model, zbudowany na architekturze modelu dyfuzyjnego, jest zdolny do progresywnej optymalizacji typów atomów, koordynatów i sieci periodycznych. Umożliwia to szybkie generowanie różnorodnych nowych materiałów nieorganicznych. Doskonałym przykładem jego potencjału jest sektor energetyczny, gdzie MatterGen może generować nowe materiały katodowe do akumulatorów litowo-jonowych.

Ulepszone Odkrywanie Materiałów z MatterGen

W porównaniu z tradycyjnymi metodami odkrywania materiałów, MatterGen znacząco, bo ponad dwukrotnie, zwiększa proporcję generowanych stabilnych, unikalnych i nowatorskich materiałów. Ponadto generowane struktury są około dziesięć razy bliższe lokalnemu minimum energii w Teori Funkcjonalnej Gęstości (DFT). To sprawia, że MatterGen jest nieocenionym narzędziem dla sektorów zaawansowanych technologii, takich jak pojazdy elektryczne, przemysł lotniczy i chipy elektroniczne.

Uproszczona Analogia: Budowanie z MatterGen

Aby pomóc zrozumieć tę potencjalnie złożoną koncepcję, wyobraźmy sobie, że chcemy zbudować dom. Tradycyjne metody polegają na wybieraniu spośród istniejących projektów, które mogą nie w pełni odpowiadać naszym wymaganiom.

MatterGen, z drugiej strony, pozwala określić dokładne potrzeby. Można powiedzieć: "Chcę pięciopokojowy dom z siłownią, pokojem gier, dwiema małymi sypialniami, główną sypialnią i małym ogrodem. Chciałbym architekturę w stylu chińskim z dekoracjami smoka i feniksa".

Zasadniczo MatterGen rozkłada złożony proces odkrywania materiałów nieorganicznych poprzez szczegółowy proces generatywny. Bada i konstruuje idealne kombinacje materiałów i układy strukturalne w oparciu o konkretne wymagania.

• Zaczyna od wyboru odpowiednich typów atomów, podobnie jak wybieranie materiałów budowlanych o różnych właściwościach.
• Następnie precyzyjnie określa współrzędne tych atomów w przestrzeni, podobnie jak dokładne umieszczanie każdej cegły.
• Na koniec konstruuje idealną sieć periodyczną, tworząc solidną i unikalną strukturę.

Potęga AI w Nauce o Materiałach

Szybki postęp w dziedzinie sztucznej inteligencji zmienia różne dziedziny, a nauka o materiałach nie jest wyjątkiem. Zdolność MatterGen do odkrywania nowych nadprzewodników, zwiększania wydajności obliczeniowej i w konsekwencji odkrywania jeszcze większej liczby materiałów nadprzewodzących jest tego dowodem. Jest to samowzmacniający się cykl, w którym AI stale udoskonala i optymalizuje wszystko.

Potencjalne Zastosowania i Wpływ

• Technologia Baterii: MatterGen może zrewolucjonizować dodatki do ogniw akumulatorowych, obszar, który stał się przedmiotem intensywnej dyskusji i zapotrzebowania. Model ma potencjał wspomagania produkcji materiałów aktywnych na elektrodę dodatnią.
• Implikacje AGI: Zdolności modelu sugerują, że jest to postęp w kierunku Sztucznej Inteligencji Ogólnej (AGI).
• Globalne Wyzwania: Ta technologia daje nadzieję na rozwiązanie globalnych wyzwań, takich jak zmiany klimatyczne.

Architektura MatterGen: Proces Dyfuzji

Sercem MatterGen jest proces dyfuzji, który jest inspirowany fizycznym zjawiskiem, w którym cząstki przemieszczają się z obszarów o wysokim stężeniu do obszarów o niskim stężeniu, aż do osiągnięcia równomiernego rozkładu. W projektowaniu materiałów proces ten jest dostosowany do generowania uporządkowanej i stabilnej struktury krystalicznej z całkowicie losowego stanu początkowego.

Proces rozpoczyna się od losowej struktury początkowej pozbawionej jakiegokolwiek fizycznego znaczenia. Następnie, poprzez serię iteracyjnych kroków, MatterGen redukuje "szum" w strukturze początkowej, przybliżając ją do rzeczywistej struktury krystalicznej. Nie jest to losowe; jest to kierowane prawami fizyki i zasadami nauki o materiałach.

W każdej iteracji MatterGen udoskonala typy atomów, koordynaty i parametry sieci. Te korekty są oparte na predefiniowanym, fizycznie motywowanym rozkładzie, zapewniając, że model uwzględnia rzeczywiste właściwości fizyczne, takie jak długości wiązań, kąty wiązań i symetria sieci.

Dyfuzja koordynatów respektuje periodyczne granice kryształu, wykorzystując zawinięty rozkład normalny do dostosowania pozycji atomów, zapobiegając opuszczaniu przez atomy periodycznej struktury kryształu. Dyfuzja sieci wykorzystuje formę symetryczną, gdzie średnia rozkładu jest siecią kubiczną, a średnia gęstość atomowa jest wyprowadzana z danych treningowych, zapewniając stabilność i fizyczne znaczenie generowanych struktur.

Rola Sieci Ekwiwariantnych Ocen

Sieć ekwiwariantnych ocen jest kolejnym istotnym elementem MatterGen. Uczy się ona odzyskiwać oryginalną strukturę krystaliczną z procesu dyfuzji. Konstrukcja tej sieci oparta jest na zasadzie ekwiwariancji, co oznacza, że system zachowuje pewne właściwości podczas pewnych transformacji. Dla materiałów krystalicznych oznacza to, że właściwości materiału pozostają niezmienione podczas rotacji i translacji.

Sieć generuje ekwiwariantne oceny dla typów atomów, koordynatów i sieci. Te oceny reprezentują "niedopasowanie" każdego atomu i parametru sieci w bieżącej strukturze, lub ich odchylenie od idealnej struktury krystalicznej. Obliczając te oceny, sieć kieruje modelem, aby dostosować atomy i parametry sieci, redukując szum i zbliżając się do stabilnej struktury krystalicznej.

Adaptacyjność Poprzez Moduły Adaptera

Aby zwiększyć elastyczność, MatterGen zawiera moduły adaptera, umożliwiające dostrajanie do różnych zadań podrzędnych. Moduły te mogą zmieniać wyjście modelu w oparciu o podane etykiety właściwości.

Adaptery wprowadzają dodatkowy zestaw parametrów na każdej warstwie modelu, regulowanych na podstawie etykiet właściwości specyficznych dla zadania. Parametry te są optymalizowane podczas dostrajania, aby upewnić się, że generowane struktury spełniają określone wymagania zadania. Taka konstrukcja nie tylko zwiększa adaptacyjność, ale także zmniejsza ilość etykietowanych danych wymaganych do dostrajania.

Na przykład, podczas projektowania nowych materiałów akumulatorowych, model może skupić się na przewodnictwie elektrycznym i szybkości dyfuzji jonów. Jednak projektując katalizator, model może skupić się na aktywności powierzchniowej i selektywności. Moduły adaptera umożliwiają modelowi dostosowanie strategii generowania struktury do tych różnych potrzeb.

Uznanie i Publikacja

Microsoft opublikował już te badania w Nature, otrzymując szerokie uznanie od wiodących ekspertów technologicznych. Porównuje się je do serii AlphaFold firmy Google, modelu przewidywania białek, który w zeszłym roku otrzymał Nagrodę Nobla w dziedzinie chemii.