Stefano Martiniani: Nauka projektowania

O tym seminarium Infrastruktura do nauki, która kompouje w erze agentów AI Agenci AI, którzy autonomicznie prowadzą badania, ryzykują zaburzeniem delikatnej równowagi w nauce. Artykuł naukowy to format stratny: wybory metodologiczne i założenia skompresowane do kilku stron, a recenzja przez peers i kontrola społeczności zapewniają gwarancję, że wyniki są rzetelne. Tego kompromisu działanie opierało się na tym, że tempo nowej pracy pozostawało w przybliżeniu w zgodzie z pojemnością społeczności do jej analizy. Agenci teraz zagrażają tej równowadze, przyspieszając produkcję znacznie szybciej, niż kontrola może nadążyć, pogłębiając już dobrze udokumentowany kryzys zaufania i reprodukowalności. Ale ta sama technologia to także szansa: agenci mogą dokładnie dokumentować, jak wyniki są produkowane na poziomie szczegółowości, który wcześniej był zbyt uciążliwy do utrzymania ręcznie, jeśli zbudujemy infrastrukturę do jego przechwycenia. Przyroda ukrywa zasady rządzące funkcjonowaniem molekuł i materiałów w przestrzeniach kombinatorycznych zbyt ogromnych, aby je dokładnie eksplorować. Postęp w odkrywaniu materiałów więc zależy od nauki, z ograniczonymi danymi, jak kompozycja i struktura prowadzą do pożądanych właściwości. Generatywna AI oferuje zasadnicze podejście, traktując problem jako uczenie się mapy transportowej z prostej rozkładu podstawowego do rozkładu chemicznie ważnych struktur, umożliwiając zarówno odkrywanie bezwarunkowe, jak i generowanie warunkowane właściwościami. W tym wykładzie zaprezentuję rodzinę Open Materials Generation (OMatG) oraz PropMolFlow, nowoczesne ramy generatywne dla kryształów nieorganicznych i małych cząsteczek. Następnie pokażę, jak wzmocnione uczenie się gradientowe polityki można rozszerzyć na modele generatywne oparte na przepływie oraz jak może ono dostosować OMatG do celów docelowych wykraczających poza dane treningowe, dramatycznie przyspieszając prognozowanie struktury kryształu. Na koniec omówię, jak te pomysły rozszerzają się na kryształy molekularne i kilka niedawnych niepublikowanych prac. Ten wykład bada, jak AI może pomóc naukowcom w projektowaniu nowych materiałów o pożądanych właściwościach, przyspieszając poszukiwania w niezliczonych możliwych kombinacjach atomów. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Nasz Prelegent: Stefano Martiniani Stefano Martiniani jest profesorem pomocniczym fizyki, chemii, matematyki i nauk neuronowych na Uniwersytecie Nowojorskim. Jego interdyscyplinarna grupa teoretyczna rozwija metody AI, aby przyspieszyć odkrycie naukowe w obszarze cząsteczek, materiałów i systemów żywych, a także bada zasady organizujące w systemach złożonych. Uzyskał doktorat na Uniwersytecie Cambridge jako stypendysta Gatesa, następnie pełnił posadę postdoc w dziedzinie fizyki na NYU (2017–2019) oraz wykładowcę w dziedzinie inżynierii chemicznej i nauki o materiałach na Uniwersytecie Minnesota (2019–2021). Jego nagrody obejmują NSF CAREER oraz AFOSR YIP, Nagrodę dla Wczesnozawodowego Naukowca IUPAP, Stypendium Faculty Fundacji Simonsa oraz Nagrodę za Wybitną Tezę Uniwersytetu Cambridge. Instytut Bakar dla Cyfrowych Materiałów dla Planety (BIDMaP) przyspiesza odkrywanie, rozwijanie oraz wdrażanie zaawansowanych materiałów w celu rozwiązania niektórych z najpilniejszych wyzwań, przed którymi stoi nasza planeta. Łącząc nowoczesną chemię z sztuczną inteligencją, uczeniem maszynowym i robotyką, BIDMaP przekształca sposób, w jaki materiały mogą być projektowane i optymalizowane na potrzeby czystej energii, czystego powietrza, czystej wody, zaawansowanych baterii i zrównoważonej produkcji chemicznej. https://bidmap.berkeley.edu/