Искусственный интеллект научился не просто предсказывать, какие материалы можно синтезировать в лаборатории, но и переделывать «несинтезируемые» структуры в такие, которые можно реально получить.
Современные методы вычислительной химии и машинного обучения позволяют находить тысячи материалов, которые в теории являются перспективными — потенциальных кандидатов для новых полупроводников, аккумуляторов или катализаторов. Однако между компьютерными расчетами и реальным синтезом — пропасть: многие из материалов, которые безупречно просчитал искусственный интеллект в теории, попросту невозможно получить в практических условиях лаборатории. До сих пор ученые могли лишь оценивать вероятность синтеза, но не знали, как превратить «безнадежные» структуры в работоспособные.
Команда ученых под руководством профессора Юсона Чона из Сеульского национального университета решила эту проблему с помощью специально разработанной большой языковой модели. Их система под названием SynCry представляет кристаллические структуры материалов в виде текстовых описаний. Модель обучается на примерах успешных трансформаций и постепенно учится превращать сложные для синтеза структуры в экспериментально достижимые.
Результаты впечатляют: начав с 514 успешных преобразований, система в ходе итеративного обучения смогла переработать 3395 «теоретических» структур в синтезируемые формы. Особенно показательно, что 34 из 100 лучших переработанных структур совпали с материалами, которые уже были получены экспериментально и описаны в научной литературе, — притом что этих материалов не было в обучающей выборке. Это доказывает: модель не просто копирует известные примеры, а генерирует по-настоящему новые, но при этом реалистичные структуры.
Источник: hi-tech.mail.ru