Инновационная ИИ-модель Microsoft MatterGen для материаловедения повышает точность в 10 раз

Представляем MatterGen: Революционную ИИ-модель для материаловедения

Microsoft представила MatterGen, новаторскую большую языковую модель, специально разработанную для создания неорганических материалов. Эта инновационная модель, построенная на архитектуре диффузионной модели, способна постепенно оптимизировать типы атомов, координаты и периодические решетки. Это позволяет быстро создавать разнообразные новые неорганические материалы. Ярким примером ее потенциала является энергетический сектор, где MatterGen может генерировать новые катодные материалы для литий-ионных аккумуляторов.

Улучшенные Кристаллические Решетки

Изменяя типы атомов, вводя элементы переходных металлов с уникальными электронными структурами и точно определяя их расположение в решетке, MatterGen позволяет разрабатывать кристаллические решетки с уникальными микроструктурами. Это может значительно улучшить срок службы и производительность аккумуляторов.

Усовершенствованное Открытие Материалов с MatterGen

По сравнению с традиционными методами открытия материалов, MatterGen значительно увеличивает долю стабильных, уникальных и новых материалов, генерируемых более чем в два раза. Кроме того, сгенерированные структуры примерно в десять раз ближе к их локальному энергетическому минимуму Density Functional Theory (DFT). Это делает MatterGen бесценным инструментом для высокотехнологичных секторов, таких как электромобили, аэрокосмическая промышленность и электронные чипы.

Упрощенная Аналогия: Строительство с MatterGen

Чтобы помочь понять эту потенциально сложную концепцию, представьте, что вы хотите построить дом. Традиционные методы включают в себя выбор из существующих проектов, которые могут не совсем соответствовать вашим требованиям.

MatterGen, с другой стороны, позволяет вам указать ваши точные потребности. Вы можете сказать: "Я хочу пятикомнатный дом со спортзалом, игровой комнатой, двумя маленькими спальнями, главной спальней и небольшим садом. Я хотел бы китайскую архитектуру с украшениями в виде драконов и фениксов."

По сути, MatterGen разбивает сложный процесс открытия неорганических материалов на детальный генеративный процесс. Он исследует и конструирует идеальные комбинации материалов и структурные макеты на основе конкретных требований.

Он начинается с выбора соответствующих типов атомов, как выбор строительных материалов с различными свойствами.
Затем он точно определяет координаты этих атомов в пространстве, подобно точному размещению каждого кирпича.
Наконец, он строит идеальную периодическую решетку, создавая прочную и уникальную структуру.

Сила ИИ в Материаловедении

Быстрый прогресс в области ИИ меняет различные области, и материаловедение не является исключением. Способность MatterGen открывать новые сверхпроводники, повышать производительность вычислений и впоследствии открывать еще больше сверхпроводящих материалов является свидетельством этого. Это самоподкрепляющийся цикл, в котором ИИ постоянно совершенствует и оптимизирует все.

Потенциальные Применения и Влияние

Аккумуляторные Технологии: MatterGen может произвести революцию в добавках для аккумуляторных элементов, области, которая вызвала значительные дискуссии и спрос. Модель имеет потенциал для содействия в производстве активных материалов для положительных электродов.
Последствия AGI: Возможности модели предполагают, что это продвижение к общему искусственному интеллекту (AGI).
Глобальные Вызовы: Эта технология обещает решить глобальные проблемы, такие как изменение климата.

Архитектура MatterGen: Диффузионный Процесс

В основе MatterGen лежит диффузионный процесс, вдохновленный физическим явлением, когда частицы перемещаются из областей высокой концентрации в области низкой концентрации до достижения равномерного распределения. В материальном дизайне этот процесс адаптирован для создания упорядоченной и стабильной кристаллической структуры из полностью случайного начального состояния.

Процесс начинается со случайной начальной структуры, лишенной какого-либо физического значения.
Затем, посредством серии итерационных шагов, MatterGen уменьшает "шум" в начальной структуре, приближая ее к реальной кристаллической структуре.
Это не случайно; это основано на физических законах и принципах материаловедения.

На каждой итерации MatterGen уточняет типы атомов, координаты и параметры решетки. Эти корректировки основаны на предопределенном, физически мотивированном распределении, гарантируя, что модель учитывает фактические физические свойства, такие как длины связей, углы связей и симметрия решетки.

Диффузия координат учитывает периодические границы кристалла, используя обернутое нормальное распределение для корректировки положений атомов, предотвращая выход атомов из периодической структуры кристалла.
Диффузия решетки использует симметричную форму, где среднее значение распределения является кубической решеткой, а средняя атомная плотность выводится из обучающих данных, обеспечивая стабильность и физическую релевантность сгенерированных структур.

Роль Эквивариантных Сетей Оценки

Эквивариантная сеть оценки является еще одним важным компонентом MatterGen. Она учится восстанавливать исходную кристаллическую структуру из диффузионного процесса. Дизайн этой сети основан на принципе эквивариантности, что означает, что система сохраняет определенные свойства при определенных преобразованиях. Для кристаллических материалов это означает, что свойства материала остаются неизменными при вращении и переносе.

Сеть выводит эквивариантные оценки для типов атомов, координат и решеток. Эти оценки представляют собой "несоответствие" каждого атома и параметра решетки в текущей структуре или их отклонение от идеальной кристаллической структуры. Вычисляя эти оценки, сеть направляет модель для корректировки атомов и параметров решетки, уменьшая шум и приближаясь к стабильной кристаллической структуре.

Адаптивность Через Адаптерные Модули

Для повышения гибкости MatterGen включает адаптерные модули, позволяющие точно настраивать различные последующие задачи. Эти модули могут изменять выходные данные модели на основе заданных меток свойств.

Адаптеры вводят дополнительный набор параметров на каждом слое модели, которые можно настраивать на основе меток свойств, специфичных для конкретной задачи. Эти параметры оптимизируются во время точной настройки, чтобы гарантировать, что сгенерированные структуры соответствуют конкретным требованиям задачи. Этот дизайн не только повышает адаптивность, но и снижает объем помеченных данных, необходимых для точной настройки.

Например, при разработке новых аккумуляторных материалов модель может сосредоточиться на электропроводности и скорости диффузии ионов. Однако, при разработке катализатора, модель может сосредоточиться на поверхностной активности и селективности. Адаптерные модули позволяют модели корректировать свои стратегии генерации структуры в соответствии с этими различными потребностями.

Признание и Публикация

Microsoft уже опубликовала это исследование в Nature, получив широкое признание от ведущих экспертов в области технологий. Его сравнивают с серией AlphaFold от Google, моделью предсказания белков, которая получила Нобелевскую премию по химии в прошлом году.