Stefano Martiniani : Apprendre à concevoir

À propos de ce séminaire Infrastructure pour la science qui se développe à l'ère des agents d'IA Les agents d'IA qui mènent des recherches de manière autonome risquent de rompre un équilibre délicat dans la science. Le document scientifique est un format compressé : des choix méthodologiques et des hypothèses condensés en quelques pages, la révision par les pairs et l'examen communautaire fournissant la garantie que les résultats sont solides. Ce compromis a fonctionné parce que le taux de nouveaux travaux restait fondamentalement en phase avec la capacité de la communauté à les examiner. Les agents menacent désormais cet équilibre, accélérant la production bien plus rapidement que la capacité d'examen ne peut suivre et approfondissant une crise de confiance et de reproductibilité déjà bien documentée. Mais la même technologie est aussi une opportunité : les agents peuvent documenter exactement comment les résultats sont produits à un niveau de détail qui était auparavant trop difficile à maintenir à la main, si nous construisons l'infrastructure pour le capturer. La nature dissimule les principes régissant la fonction moléculaire et des matériaux dans des espaces combinatoires trop vastes pour être explorés de manière exhaustive. Le progrès en découverte de matériaux dépend donc de l'apprentissage, à partir de données limitées, de la manière dont la composition et la structure donnent naissance aux propriétés souhaitées. L'IA générative offre une approche principielle en formulant le problème comme l'apprentissage d'une carte de transport d'une distribution de base simple à la distribution des structures chimiquement valides, permettant à la fois la découverte inconditionnelle et la génération conditionnée par les propriétés. Dans cette présentation, je vais présenter la famille Open Materials Generation (OMatG) et PropMolFlow, des cadres génératifs à la pointe pour les cristaux inorganiques et les petites molécules. Je vais ensuite montrer comment l'apprentissage par renforcement à gradient de politique peut être étendu aux modèles génératifs basés sur le flux et comment il peut aligner OMatG avec des objectifs cibles au-delà des données d'entraînement, accélérant dramatiquement la prédiction de la structure cristalline. Enfin, je vais discuter de la manière dont ces idées s'étendent aux cristaux moléculaires et certaines travaux récents non publiés. Cette présentation explore comment l'IA peut aider les scientifiques à concevoir de nouveaux matériaux avec des propriétés souhaitées, accélérant la recherche à travers d'innombrables combinaisons possibles d'atomes. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Notre intervenant : Stefano Martiniani Stefano Martiniani est professeur associé de physique, chimie, mathématiques et neurosciences à l'Université de New York. Son groupe théorique interdisciplinaire développe des méthodes d'IA pour accélérer la découverte scientifique à travers les molécules, les matériaux et les systèmes vivants, et étudie les principes d'organisation dans les systèmes complexes. Il a obtenu son doctorat à l'Université de Cambridge en tant que boursier Gates, puis a occupé un poste postdoctoral en physique à NYU (2017–2019) et une chaire d'assistant en génie chimique et science des matériaux à l'Université du Minnesota (2019–2021). Ses distinctions incluent les prix NSF CAREER et AFOSR YIP, le prix du jeune scientifique de l'IUPAP, la bourse du corps professoral de la Simons Foundation et le prix de thèse exceptionnelle de l'Université de Cambridge. L'Institut Bakar de Matériaux Numériques pour la Planète (BIDMaP) accélère la découverte, le développement et le déploiement de matériaux avancés pour relever certains des défis les plus urgents auxquels notre planète est confrontée. En combinant chimie de pointe avec intelligence artificielle, apprentissage machine et robotique, le BIDMaP réinvente la manière dont les matériaux peuvent être conçus et optimisés pour l'énergie propre, l'air pur, l'eau propre, les batteries avancées et la production chimique durable. https://bidmap.berkeley.edu/