Stefano Martiniani: Leren Ontwerpen

Over dit Seminar Infrastructuur voor Wetenschap die Componeert in het Tijdperk van AI Agents AI-agenten die autonoom onderzoek doen, riskeren een delicate balans in de wetenschap te verstoren. Het wetenschappelijke artikel is een verlieslatend formaat: methodologische keuzes en aannames samengeperst in een paar pagina's, met peer review en community scrutiny die de waarborg bieden dat de resultaten betrouwbaar zijn. Deze afweging werkte omdat de snelheid van nieuw werk ruwweg overeenkwam met de capaciteit van de gemeenschap om dit te onderzoeken. Agenten bedreigen nu die balans door de productie veel sneller te versnellen dan de controle kan bijhouden, wat de al goed gedocumenteerde crisis van vertrouwen en reproduceerbaarheid verergert. Maar dezelfde technologie is ook een kans: agenten kunnen precies documenteren hoe resultaten worden geproduceerd op een detailniveau dat voorheen te belastend was om met de hand bij te houden, als we de infrastructuur bouwen om dit vast te leggen. De natuur verbergt de principes die moleculaire en materiaalsfunctionaliteit beheersen binnen combinatoriale ruimtes die te groot zijn om volledig te verkennen. Vooruitgang in materiaaldetectie hangt dus af van leren, op basis van beperkte gegevens, hoe samenstelling en structuur leiden tot gewenste eigenschappen. Generatieve AI biedt een principiële benadering door het probleem te formuleren als het leren van een transportkaart van een eenvoudige basisdistributie naar de distributie van chemisch geldige structuren, wat zowel onvoorwaardelijke ontdekking als eigenschap-geconditioneerde generatie mogelijk maakt. In deze presentatie zal ik de Open Materials Generation (OMatG) familie en PropMolFlow presenteren, geavanceerde generatieve kaders voor anorganische kristallen en kleine moleculen. Vervolgens zal ik laten zien hoe beleid-gradient versterkend leren kan worden uitgebreid naar op stroom gebaseerde generatieve modellen, en hoe het OMatG kan aligneren met doelstellingen buiten de trainingsgegevens, wat de voorspelling van kristalstructuren dramatisch versnelt. Ten slotte zal ik bespreken hoe deze ideeën zich uitstrekken tot moleculaire kristallen en recent ongepubliceerd werk. Dit gesprek verkent hoe AI wetenschappers kan helpen bij het ontwerpen van nieuwe materialen met gewenste eigenschappen, wat de zoektocht door ontelbare mogelijke combinaties van atomen versnelt. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Onze Spreker: Stefano Martiniani Stefano Martiniani is Universitair Hoofddocent Natuurkunde, Scheikunde, Wiskunde en Neurowetenschappen aan de New York University. Zijn interdisciplinaire theoriegroep ontwikkelt AI-methoden om wetenschappelijke ontdekkingen op het gebied van moleculen, materialen en levende systemen te versnellen, en onderzoekt organiserende principes in complexe systemen. Hij behaalde zijn PhD aan de Universiteit van Cambridge als Gates Scholar, hield vervolgens een postdoctorale aanstelling in Natuurkunde aan NYU (2017–2019) en een assistentschap in Chemische Technologie en Materiaalkunde aan de Universiteit van Minnesota (2019–2021). Zijn onderscheidingen omvatten de NSF CAREER en AFOSR YIP prijzen, de IUPAP Early Career Scientist Prize, de Simons Foundation Faculty Fellowship, en de Outstanding Thesis Prize van de Universiteit van Cambridge. Het Bakar Institute of Digital Materials for the Planet (BIDMaP) versnelt de ontdekking, ontwikkeling en inzet van geavanceerde materialen om enkele van de meest urgente uitdagingen waarvoor onze planeet staat aan te pakken. Door baanbrekende scheikunde te combineren met kunstmatige intelligentie, machine learning en robotica, heroverweegt BIDMaP hoe materialen kunnen worden ontworpen en geoptimaliseerd voor schone energie, schone lucht, schoon water, geavanceerde batterijen en duurzame chemische productie. https://bidmap.berkeley.edu/