Стефано Мартиньяни: Учимся проектировать

Об этом семинаре Инфраструктура для науки, которая умножается в эпоху агентов ИИ Агенты ИИ, которые автономно проводят исследования, рискуют разрушить хрупкий баланс в науке. Научная статья - это формат с потерями: методологические выборы и предположения сжаты в несколько страниц, а рецензирование и анализ сообщества обеспечивают гарантию того, что результаты являются достоверными. Этот компромисс работал, потому что скорость новых работ примерно соответствовала способности сообщества их исследовать. Теперь агенты угрожают этому балансу, ускоряя производство гораздо быстрее, чем может идти проверка, и углубляя уже хорошо задокументированный кризис доверия и воспроизводимости. Но те же технологии также представляют собой возможность: агенты могут документировать, как именно результаты получаются на уровне детализации, который ранее было слишком сложно поддерживать вручную, если мы создадим инфраструктуру для их захвата. Природа скрывает принципы, управляющие молекулярной и материаловедческой функцией, в комбинаторных пространствах, слишком обширных для исчерпывающего изучения. Прогресс в открытии материалов таким образом зависит от обучения, на основе ограниченных данных, как состав и структура приводят к желаемым свойствам. Генеративный ИИ предлагает принципиальный подход, рассматривая проблему как обучение транспортной карте от простой базовой распределения к распределению химически валидных структур, что позволяет проводить как неконтролируемое открытие, так и генерацию по заданным свойствам. В этом разговоре я представлю семью Open Materials Generation (OMatG) и PropMolFlow, современные генеративные рамки для неорганических кристаллов и маломолекул. Затем я покажу, как обучение с подкреплением на основе политики может быть расширено до потоковых генеративных моделей, и как оно может согласовать OMatG с целевыми задачами за пределами обучающего набора данных, что значительно ускоряет предсказание структуры кристаллов. Наконец, я обсудю, как эти идеи распространяются на молекулярные кристаллы и некоторые недавние неопубликованные работы. Этот разговор исследует, как ИИ может помочь ученым проектировать новые материалы с желаемыми свойствами, ускоряя поиск среди бесчисленных возможных комбинаций атомов. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Наш Спикер: Стефано Мартиньяни Стефано Мартиньяни является доцентом физики, химии, математики и нейронауки в Нью-Йоркском университете. Его междисциплинарная теоретическая группа разрабатывает методы ИИ для ускорения научных открытий в областях молекул, материалов и живых систем и исследует организующие принципы в сложных системах. Он получил степень доктора философии в Университете Кембриджа как стипендиат Гейтса, затем занимал постдокторскую позицию по физике в NYU (2017–2019) и должность ассистент-профессора химической инженерии и науки о материалах в Университете Миннесоты (2019–2021). Его награды включают NSF CAREER и AFOSR YIP, премию IUPAP Early Career Scientist Prize, стипендию факультета Фонда Симонса и премию за выдающуюся дипломную работу Университета Кембриджа. Институт цифровых материалов для планеты Бакар (BIDMaP) ускоряет открытие, разработку и внедрение современных материалов для решения некоторых из самых неотложных проблем, с которыми сталкивается наша планета. Объединяя передовую химию с искусственным интеллектом, машинным обучением и робототехникой, BIDMaP переосмысливает, как материалы могут быть спроектированы и оптимизированы для чистой энергии, чистого воздуха, чистой воды, современных аккумуляторов и устойчивого химического производства. https://bidmap.berkeley.edu/