Stefano Martiniani: Aprendendo a Projetar

Sobre este Seminário Infraestrutura para Ciência que se Compõe na Era dos Agentes de IA Agentes de IA que conduzem pesquisas autonomamente correm o risco de romper um delicado equilíbrio na ciência. O artigo científico é um formato que perde informações: escolhas metodológicas e suposições comprimidas em poucas páginas, com revisão por pares e escrutínio da comunidade fornecendo a garantia de que os resultados são sólidos. Essa troca funcionou porque a taxa de novos trabalhos permaneceu aproximadamente igual à capacidade da comunidade de escrutinar. Agentes agora ameaçam esse equilíbrio, acelerando a produção muito mais rapidamente do que o escrutínio pode acompanhar e aprofundando uma crise de confiança e reprodutibilidade já bem documentada. Mas a mesma tecnologia também é uma oportunidade: os agentes podem documentar exatamente como os resultados são produzidos em um nível de detalhe que anteriormente era muito oneroso para manter à mão, se construirmos a infraestrutura para capturá-los. A natureza oculta os princípios que governam a função molecular e de materiais dentro de espaços combinatórios vastos demais para serem explorados exaustivamente. O progresso na descoberta de materiais, portanto, depende de aprender, a partir de dados limitados, como a composição e a estrutura dão origem a propriedades desejadas. A IA generativa oferece uma abordagem fundamentada ao abordar o problema como aprender um mapa de transporte de uma distribuição base simples para a distribuição de estruturas quimicamente válidas, permitindo tanto a descoberta incondicional quanto a geração condicionada por propriedades. Nesta palestra, apresentarei a família Open Materials Generation (OMatG) e PropMolFlow, estruturas generativas de última geração para cristais inorgânicos e pequenas moléculas. Em seguida, mostrarei como o aprendizado por reforço de gradiente de política pode ser estendido a modelos generativos baseados em fluxo e como isso pode alinhar OMatG com objetivos-alvo além dos dados de treinamento, acelerando dramaticamente a previsão da estrutura cristalina. Por fim, discutirei como essas ideias se aplicam a cristais moleculares e alguns trabalhos recentes não publicados. Esta palestra explora como a IA pode ajudar cientistas a projetar novos materiais com propriedades desejadas, acelerando uma busca através de inúmeras combinações possíveis de átomos. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Nosso Palestrante: Stefano Martiniani Stefano Martiniani é Professor Associado de Física, Química, Matemática e Ciências Neurais na Universidade de Nova York. Seu grupo teórico interdisciplinar desenvolve métodos de IA para acelerar a descoberta científica em moléculas, materiais e sistemas vivos, e investiga princípios organizacionais em sistemas complexos. Ele obteve seu PhD na Universidade de Cambridge como um Gates Scholar, depois ocupou uma nomeação pós-doutoral em Física na NYU (2017–2019) e uma posição de professor assistente em Engenharia Química e Ciência dos Materiais na Universidade de Minnesota (2019–2021). Entre suas honras estão os prêmios NSF CAREER e AFOSR YIP, o Prêmio de Cientista em Início de Carreira da IUPAP, a Bolsa de Professores da Fundação Simons e o Prêmio de Tese Excepcional da Universidade de Cambridge. O Instituto Bakar de Materiais Digitais para o Planeta (BIDMaP) acelera a descoberta, desenvolvimento e implementação de materiais avançados para enfrentar alguns dos desafios mais urgentes que o nosso planeta enfrenta. Ao combinar química de ponta com inteligência artificial, aprendizado de máquina e robótica, o BIDMaP está reimaginando como materiais podem ser projetados e otimizados para energia limpa, ar limpo, água limpa, baterias avançadas e produção química sustentável. https://bidmap.berkeley.edu/