Ilmenau mokslininkai su AI daro revoliuciją medžiagų moksle!

Ilmenau mokslininkai su AI daro revoliuciją medžiagų moksle!

2025 m. rugsėjo 23 d. Ilmenau technologijos universiteto mokslininkai pristatė reikšmingą pažangą medžiagų tyrimų srityje. Sukūrę grafiko dėmesio tinklą, kuris gali numatyti ir pateikti interpretuojamus rezultatus, jie pradeda naują dirbtinio intelekto erą moksle. Tyrimas, pagrįstas išsamiu 10 000 kvantinių mechaniškai apskaičiuotų optinių spektrų duomenų rinkiniu, buvo atliktas TU Ilmenau HPC klasteryje ir yra novatoriškas medžiagų analizės metodas. TU Ilmenau praneša, kad šis modelis gali sukurti suprantamą materialios erdvės „žemėlapį“.

Didelės apimties duomenims vizualizuoti komanda naudoja UMAP (vienodą kolektoriaus aproksimavimą ir projekciją). Tai atskleidžia, kaip tinklas skirsto medžiagas į kategorijas pagal jų cheminius principus. Maxas Großmannas, tyrimo bendraautoris, pabrėžia, kad tai reiškia didelę pažangą siekiant interpretuojamo AI medžiagų mokslui. Šie nauji metodai leidžia tiksliau identifikuoti medžiagas, pagerina ne tik prognozių greitį, bet ir tikslumą.

Inovatyvūs medžiagų tyrimo metodai

Tyrimas naudoja perkėlimo mokymąsi, kad pritaikytų jau parengtus modelius naujoms užduotims. Grubūs duomenys naudojami modeliui iš anksto sureguliuoti. Tada didelio tikslumo RPA duomenys patikslina prognozes. Pasak prof. Erich Runge, kito bendraautorio, šiuolaikiniai algoritmai rodo daug žadančius metodus sprendžiant medžiagų mokslo iššūkius. Jų prognozės ne tik tikslios, bet ir artimos eksperimentiniams rezultatams, skatinančios suprasti pagrindinius principus.

Kitas esminis tyrimo aspektas – galimybė paspartinti naujų tvarių medžiagų kūrimą. Dėl to gali atsirasti medžiagų, kurios, pavyzdžiui, leidžia saulės šviesą efektyviau paversti elektra, o tai ypač svarbu klimato kaitos ir energijos perėjimo metu.

Grafiniai dėmesio tinklai – nauja DI dimensija

Pagrindinė tyrimo dalis yra pagrindas, kuriuo grindžiamas grafiko dėmesio tinklas, kurį sukūrė kiti mokslininkai, tokie kaip Petaras Veličkovičius ir jo kolegos. Jų darbe, paskelbtame straipsnyje „Grafų dėmesio tinklai“, aprašomos naujos grafinės struktūros duomenų neuroninių tinklų architektūros. Šios architektūros naudoja užmaskuotus dėmesingus sluoksnius, kad pašalintų kai kuriuos ankstesnių metodų, pagrįstų grafiko konvoliucijomis, trūkumus. Rezultatai įspūdingi; GAT modeliai pasiekė puikių rezultatų keturiuose pagrindiniuose transdukcinių ir indukcinių grafikų etalonuose, tokiuose kaip Cora ir Pubmed. arxiv patvirtina šią nuostabią raidą.

Šių novatoriškų metodų derinys ne tik yra žingsnis į medžiagų mokslo ateitį, bet ir parodo, kaip AI ir mašinų mokymasis gali pakeisti esamus procesus. Nauji metodai ir modeliai sukuria aiškią perspektyvą, kokius iššūkius ir galimybes pasiūlys atsakingas išteklių naudojimas ateinančiais metais.

Originalūs leidiniai, kuriuose išsamiau paaiškinami šie pokyčiai:
– M. Grunert, M. Großmann, E. Runge, „Mašininis mokymasis lipa optoelektroninių savybių Jokūbo kopėčiomis“, Nat. Komun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, „Discovery of Sustainable Energy Materials Via the Machine-Learned Material Space“, Small, 2412519 (2025).