Stefano Martiniani: Aprendiendo a Diseñar

Acerca de este Seminario Infraestructura para la Ciencia que se Compone en la Era de los Agentes de IA Los agentes de IA que realizan investigaciones de forma autónoma corren el riesgo de romper un delicado equilibrio en la ciencia. El artículo científico es un formato con pérdida: elecciones metodológicas y suposiciones comprimidas en unas pocas páginas, con la revisión por pares y el escrutinio de la comunidad proporcionando la garantía de que los resultados son sólidos. Este compromiso funcionó porque la tasa de nuevos trabajos se mantuvo aproximadamente en sintonía con la capacidad de la comunidad para examinarlos. Ahora, los agentes amenazan ese equilibrio, acelerando la producción mucho más rápido de lo que el escrutinio puede seguir y profundizando una crisis de confianza y reproducibilidad ya bien documentada. Pero la misma tecnología también es una oportunidad: los agentes pueden documentar exactamente cómo se producen los resultados a un nivel de detalle que anteriormente era demasiado oneroso mantener a mano, si construimos la infraestructura para capturarlo. La naturaleza oculta los principios que rigen la función molecular y de materiales dentro de espacios combinatorios demasiado vastos para explorar exhaustivamente. El progreso en el descubrimiento de materiales, por tanto, depende de aprender, a partir de datos limitados, cómo la composición y la estructura dan lugar a propiedades deseadas. La IA generativa ofrece un enfoque fundamentado al plantear el problema como el aprendizaje de un mapa de transporte desde una distribución base simple hasta la distribución de estructuras químicamente válidas, permitiendo tanto el descubrimiento incondicional como la generación condicionada por propiedades. En esta charla, presentaré la familia Open Materials Generation (OMatG) y PropMolFlow, marcos generativos de última generación para cristales inorgánicos y pequeñas moléculas. Luego mostraré cómo el aprendizaje por refuerzo de gradiente de políticas se puede extender a modelos generativos basados en flujo, y cómo puede alinear OMatG con objetivos de destino más allá de los datos de entrenamiento, acelerando dramáticamente la predicción de la estructura cristalina. Finalmente, discutiré cómo estas ideas se extienden a cristales moleculares y algunos trabajos recientes no publicados. Esta charla explora cómo la IA puede ayudar a los científicos a diseñar nuevos materiales con propiedades deseadas, acelerando la búsqueda a través de innumerables combinaciones posibles de átomos. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Nuestro ponente: Stefano Martiniani Stefano Martiniani es Profesor Asociado de Física, Química, Matemáticas y Ciencias Neurales en la Universidad de Nueva York. Su grupo teórico interdisciplinario desarrolla métodos de IA para acelerar el descubrimiento científico en moléculas, materiales y sistemas vivos, e investiga principios organizadores en sistemas complejos. Obtuvo su doctorado en la Universidad de Cambridge como Gates Scholar, luego tuvo un nombramiento postdoctoral en Física en NYU (2017–2019) y una cátedra de asistente en Ingeniería Química y Ciencia de Materiales en la Universidad de Minnesota (2019–2021). Sus honores incluyen los premios NSF CAREER y AFOSR YIP, el Premio de Científico en Inicio de Carrera de IUPAP, la Beca para Profesores de la Fundación Simons y el Premio a la Tesis Sobresaliente de la Universidad de Cambridge. El Instituto Bakar de Materiales Digitales para el Planeta (BIDMaP) acelera el descubrimiento, desarrollo y despliegue de materiales avanzados para abordar algunos de los desafíos más urgentes que enfrenta nuestro planeta. Al combinar química de vanguardia con inteligencia artificial, aprendizaje automático y robótica, BIDMaP está reimaginando cómo se pueden diseñar y optimizar los materiales para energía limpia, aire limpio, agua limpia, baterías avanzadas y producción química sostenible. https://bidmap.berkeley.edu/