Die Welt der künstlichen Intelligenz hat in verschiedenen Bereichen astronomische Sprünge gemacht, aber es scheint eine Achillesferse zu geben, wenn es um die Vorhersage von chemischen Reaktionsergebnissen geht. Diese unzureichenden Ergebnisse lassen sich häufig auf die fehlende Verbindung zu grundlegenden physikalischen Prinzipien zurückführen, insbesondere zur Erhaltung der Masse und der Elektronen. Doch das könnte sich dank der Bemühungen des Massachusetts Institute of Technology (MIT) bald ändern.
A aktuelle Studie spearheaded by MIT researchers, was capable of designing an AI model named FlowER (Flow matching for Electron Redistribution) that ingeniously incorporates physical constraints into its predictions. “The prediction of reaction outcomes is a very important task. If you want to make a new drug, you need to know how to make it”, says former MIT postdoc, Joonyoung Joung, who’s now an assistant professor at Kookmin University in South Korea.
Though capable, existing chemical Large Language Models (LLMs) are found wanting in one respect – without proper constraints placed upon them, they tend to “invent” atoms in a manner that overtly disregards physics laws. The MIT team sought to remedy this by ensuring their AI system, FlowER, can meticulously track every atom and electron from the beginning to the end of the reaction.
Die Lösung wurde in einem vier Jahrzehnte alten Konzept gefunden: einer matrixbasierten Darstellung, die der Chemiker Ivar Ugi in den 1970er Jahren entwickelte. Mit diesem Hilfsmittel kann das Modell sowohl Atome als auch Elektronen während einer Reaktion effizient überwachen.
In its infancy, FlowER has already started showing signs that it’s a cut above the rest. According to Connor Coley, the senior author and an MIT professor, the AI model rivals or even outmatches existing systems in predicting standard reaction mechanisms, all while maintaining physical validity.
Yet, the researchers didn’t stop at theoretical successes. Ensuring their AI model aligned closer to reality, they validated their findings with experimental data sourced from patent literature. “We’re imputing mechanisms from experimental data, and that’s not something that has been done and shared at this kind of scale before” Coley points out.
FlowER ist derzeit als Open-Source-Software auf GitHub für diejenigen verfügbar, die es nutzen möchten. Dazu gehört auch ein von Joung erstellter Datensatz, der die mechanistischen Schritte bekannter Reaktionen akribisch auflistet - eine Ressource, die vermutlich die erste ihrer Art ist.
Die Anwendungen dieser KI-Methode sind sehr weitreichend. Zwar muss FlowER seine Vorhersagen noch perfektionieren, insbesondere bei metallbasierten oder katalytischen Reaktionen, doch die laufenden Forschungsarbeiten werden voraussichtlich Früchte tragen, die in verschiedenen Bereichen von Nutzen sein werden: medizinische Chemie, Materialwissenschaft, Verbrennung, Atmosphärenchemie und Elektrochemie.
Wie Coley es ausdrückt: "Wir haben gerade erst an der Oberfläche gekratzt. Ein großer Teil der Spannung liegt darin, diese Art von System zu nutzen, um neue komplexe Reaktionen zu entdecken und neue Mechanismen aufzuklären".
Lesen Sie mehr über die Forschung auf der Website MIT News Website.
Während die Kluft zwischen KI und grundlegender Physik schon lange ein Problem ist, stellen Projekte wie FlowER vom MIT eine hoffnungsvolle Zukunft dar, in der KI tief in die Wissenschaft integriert ist und dazu beiträgt, ihr volles Potenzial in verschiedenen Bereichen wie der Chemie zu erschließen.
Diese Website verwendet Cookies.