Stefano Martiniani: Lernen zu entwerfen

Über dieses Seminar Infrastruktur für Wissenschaft, die im Zeitalter von KI-Agenten kumuliert KI-Agenten, die autonom Forschung betreiben, riskieren, ein empfindliches Gleichgewicht in der Wissenschaft zu stören. Das wissenschaftliche Papier ist ein verlustbehaftetes Format: methodologische Entscheidungen und Annahmen werden auf ein paar Seiten komprimiert, wobei Peer-Reviews und Gemeindekontrollen die Gewähr bieten, dass die Ergebnisse zuverlässig sind. Dieser Kompromiss funktionierte, weil die Rate neuer Arbeiten ungefähr mit der Fähigkeit der Gemeinschaft, sie zu überprüfen, übereinstimmte. Agenten bedrohen nun dieses Gleichgewicht, indem sie die Produktion viel schneller beschleunigen, als die Überprüfung mithalten kann, und eine bereits gut dokumentierte Vertrauens- und Reproduzierbarkeitskrise vertiefen. Aber dieselbe Technologie ist auch eine Chance: Agenten können genau dokumentieren, wie Ergebnisse auf einem Detailniveau produziert werden, das zuvor zu mühsam war, um von Hand festgehalten zu werden, wenn wir die Infrastruktur aufbauen, um dies festzuhalten. Die Natur verbirgt die Prinzipien, die molekulare und materialtechnische Funktionen innerhalb von kombinatorischen Räumen regeln, die zu groß sind, um sie erschöpfend zu erkunden. Fortschritte bei der Materialentdeckung hängen daher davon ab, aus begrenzten Daten zu lernen, wie Zusammensetzung und Struktur zu gewünschten Eigenschaften führen. Generative KI bietet einen prinzipiellen Ansatz, indem sie das Problem als Lernen einer Transportkarte von einer einfachen Basisverteilung zur Verteilung chemisch valider Strukturen betrachtet, was sowohl bedingungslose Entdeckungen als auch eigenschaftsabhängige Generierung ermöglicht. In diesem Vortrag werde ich die OMatG-Familie und PropMolFlow vorstellen, moderne generative Frameworks für anorganische Kristalle und kleine Moleküle. Ich werde dann zeigen, wie verstärkendes Lernen mit Policy-Gradienten auf flussbasierte generative Modelle angewendet werden kann und wie es OMatG mit Zielvorgaben über die Trainingsdaten hinaus abgleichen kann, was die Vorhersage von Kristallstrukturen dramatisch beschleunigt. Schließlich werde ich erörtern, wie sich diese Ideen auf molekulare Kristalle erstrecken und einige kürzlich unveröffentlichte Arbeiten präsentieren. Dieser Vortrag untersucht, wie KI Wissenschaftler unterstützen kann, neue Materialien mit gewünschten Eigenschaften zu entwerfen, und so die Suche durch unzählige mögliche Kombinationen von Atomen beschleunigt. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Unser Sprecher: Stefano Martiniani Stefano Martiniani ist außerordentlicher Professor für Physik, Chemie, Mathematik und Neurowissenschaften an der New York University. Seine interdisziplinäre Theoriegruppe entwickelt KI-Methoden zur Beschleunigung wissenschaftlicher Entdeckungen über Moleküle, Materialien und lebende Systeme und untersucht organisatorische Prinzipien in komplexen Systemen. Er erwarb seine Doktorwürde an der Universität Cambridge als Gates-Stipendiat, hatte dann eine Postdoc-Stelle in Physik an der NYU (2017–2019) und eine Assistenzprofessur in Chemieingenieurwesen und Materialwissenschaften an der Universität von Minnesota (2019–2021). Zu seinen Auszeichnungen gehören die NSF CAREER und AFOSR YIP-Preise, der IUPAP-Preis für aufstrebende Wissenschaftler, das Stipendium der Simons-Stiftung und der Preis für herausragende Dissertationen der Universität Cambridge. Das Bakar Institute of Digital Materials for the Planet (BIDMaP) beschleunigt die Entdeckung, Entwicklung und Bereitstellung fortschrittlicher Materialien, um einige der dringendsten Herausforderungen, mit denen unser Planet konfrontiert ist, anzugehen. Durch die Kombination von modernster Chemie mit künstlicher Intelligenz, maschinellem Lernen und Robotik stellt BIDMaP die Art und Weise, wie Materialien entworfen und optimiert werden können, um saubere Energie, saubere Luft, sauberes Wasser, fortschrittliche Batterien und nachhaltige chemische Produktion zu erreichen, neu in Frage. https://bidmap.berkeley.edu/