Naukowcy z MIT integrują prawa fizyczne ze sztuczną inteligencją w celu poprawy przewidywania reakcji chemicznych

Świat sztucznej inteligencji dokonał astronomicznych skoków w różnych dziedzinach, ale wydaje się, że istnieje pięta achillesowa, jeśli chodzi o przewidywanie wyników reakcji chemicznych. Te niezadowalające wyniki można często przypisać brakowi powiązania z podstawowymi zasadami fizyki, w szczególności z zasadą zachowania masy i elektronów. Wkrótce może się to jednak zmienić dzięki wysiłkom Massachusetts Institute of Technology (MIT).

A ostatnie badanie 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.

Sprawianie, by nieistniejące istniało

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.

Ich rozwiązanie zostało znalezione w koncepcji sprzed czterech dekad: reprezentacji opartej na macierzy opracowanej przez chemika Ivara Ugi w latach siedemdziesiątych. Dzięki temu model może skutecznie monitorować zarówno atomy, jak i elektrony podczas całej reakcji.

The Novice that’s Punching Above Its Weight

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 jest obecnie dostępny jako oprogramowanie open-source na GitHub dla tych, którzy chcą z niego korzystać. Obejmuje to zbiór danych stworzony przez Jounga, który skrupulatnie wyszczególnia mechanistyczne etapy znanych reakcji, zasób uważany za pierwszy w swoim rodzaju.

Połączenie sztucznej inteligencji z nauką o żywiołach w celu uzyskania niewidzialnych widoków

Zastosowania tej metody sztucznej inteligencji są dalekosiężne. Podczas gdy FlowER ma jeszcze wiele do zrobienia w zakresie doskonalenia swoich przewidywań, zwłaszcza w odniesieniu do reakcji opartych na metalach lub reakcji katalitycznych, oczekuje się, że trwające badania przyniosą owoce, które będą korzystne w różnych sektorach: chemii medycznej, materiałoznawstwie, spalaniu, chemii atmosferycznej i elektrochemii.

Jak ujął to Coley: "Dopiero zarysowaliśmy powierzchnię. Wiele emocji wiąże się z wykorzystaniem tego rodzaju systemu do odkrywania nowych złożonych reakcji i wyjaśniania nowych mechanizmów".

Przeczytaj więcej o badaniach na stronie Strona internetowa MIT News.

Podczas gdy przepaść między sztuczną inteligencją a podstawową fizyką mogła być kwestią długotrwałą, projekty takie jak FlowER z MIT reprezentują pełną nadziei przyszłość, w której sztuczna inteligencja jest głęboko zintegrowana z nauką, pomagając uwolnić jej pełny potencjał w różnych dziedzinach, takich jak chemia.