aktuelle Studie<\/a> unter der Leitung von MIT-Forschern ein KI-Modell namens FlowER (Flow matching for Electron Redistribution) zu entwickeln, das auf geniale Weise physikalische Zw\u00e4nge in seine Vorhersagen einbezieht. \"Die Vorhersage von Reaktionsergebnissen ist eine sehr wichtige Aufgabe. Wenn man ein neues Medikament herstellen will, muss man wissen, wie man es herstellt\", sagt Joonyoung Joung, ein ehemaliger MIT-Postdoc, der jetzt Assistenzprofessor an der Kookmin-Universit\u00e4t in S\u00fcdkorea ist.<\/p>\nDas Nichtvorhandene zum Existieren bringen<\/h4>\n
Bestehende chemische Large Language Models (LLMs) sind zwar leistungsf\u00e4hig, aber in einer Hinsicht unzureichend - ohne entsprechende Einschr\u00e4nkungen neigen sie dazu, Atome auf eine Weise zu \"erfinden\", die die physikalischen Gesetze offenkundig missachtet. Das MIT-Team wollte hier Abhilfe schaffen, indem es sicherstellte, dass sein KI-System, FlowER, jedes Atom und jedes Elektron vom Anfang bis zum Ende der Reaktion genau verfolgen kann.<\/p>\n
Die L\u00f6sung 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 w\u00e4hrend einer Reaktion effizient \u00fcberwachen.<\/p>\n
Der Neuling, der \u00fcber sein Gewicht hinausw\u00e4chst<\/h4>\n
FlowER steckt noch in den Kinderschuhen, aber es gibt bereits erste Anzeichen daf\u00fcr, dass es den anderen \u00fcberlegen ist. Laut Connor Coley, dem Hauptautor und MIT-Professor, kann das KI-Modell bei der Vorhersage von Standardreaktionsmechanismen mit bestehenden Systemen mithalten oder diese sogar \u00fcbertreffen - und das bei gleichzeitiger Wahrung der physikalischen G\u00fcltigkeit.<\/p>\n
Doch die Forscher belie\u00dfen es nicht bei theoretischen Erfolgen. Um sicherzustellen, dass ihr KI-Modell n\u00e4her an der Realit\u00e4t liegt, validierten sie ihre Ergebnisse mit experimentellen Daten aus der Patentliteratur. \"Wir leiten Mechanismen aus experimentellen Daten ab, und das ist etwas, das in dieser Gr\u00f6\u00dfenordnung noch nie gemacht und verbreitet wurde\", betont Coley.<\/p>\n
FlowER ist derzeit als Open-Source-Software auf GitHub f\u00fcr diejenigen verf\u00fcgbar, die es nutzen m\u00f6chten. Dazu geh\u00f6rt auch ein von Joung erstellter Datensatz, der die mechanistischen Schritte bekannter Reaktionen akribisch auflistet - eine Ressource, die vermutlich die erste ihrer Art ist.<\/p>\n
Br\u00fcckenschlag zwischen KI und Elementarwissenschaft f\u00fcr unsichtbare Sichtweisen<\/h4>\n
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 Fr\u00fcchte tragen, die in verschiedenen Bereichen von Nutzen sein werden: medizinische Chemie, Materialwissenschaft, Verbrennung, Atmosph\u00e4renchemie und Elektrochemie.<\/p>\n
Wie Coley es ausdr\u00fcckt: \"Wir haben gerade erst an der Oberfl\u00e4che gekratzt. Ein gro\u00dfer Teil der Spannung liegt darin, diese Art von System zu nutzen, um neue komplexe Reaktionen zu entdecken und neue Mechanismen aufzukl\u00e4ren\".<\/p>\n
Lesen Sie mehr \u00fcber die Forschung auf der Website MIT News Website.<\/a><\/p>\nW\u00e4hrend 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 beitr\u00e4gt, ihr volles Potenzial in verschiedenen Bereichen wie der Chemie zu erschlie\u00dfen.<\/p>","protected":false},"excerpt":{"rendered":"
The world of artificial intelligence has made astronomical leaps in various fields, but there seems to be an Achilles heel when it comes to predicting chemical reaction outcomes. These underwhelming results can often be traced back to the lack of an association with basic physics principles, specifically the conservation of mass and electrons. But this might soon change, thanks to the efforts of the Massachusetts Institute of Technology (MIT). A recent study 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. \u201cThe prediction […]<\/p>\n","protected":false},"author":4,"featured_media":6897,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-6896","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6896","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=6896"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6896\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/6897"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=6896"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=6896"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=6896"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}