Stefano Martiniani: Learning to Design

Про семінар Інфраструктура для науки, що компонується в епоху агентів ШІ Агенти ШІ, які автономно проводять дослідження, ризикують зруйнувати крихкий баланс у науці. Наукова стаття є втраченим форматом: методологічні вибори та припущення стиснуті на кількох сторінках, при цьому рецензування та перевірки спільноти забезпечують гарант, що результати є обґрунтованими. Цей компроміс працював, оскільки темп нових досліджень орієнтовно відповідав можливостям спільноти їх перевіряти. Агенти тепер загрожують цьому балансу, прискорюючи виробництво набагато швидше, ніж перевірка встигає слідувати, поглиблюючи вже добре задокументовану кризу довіри та відтворюваності. Але та ж технологія є також можливістю: агенти можуть документувати точно, як результати створюються, на рівні деталей, які раніше було занадто важко підтримувати вручну, якщо ми побудуємо інфраструктуру для цього. Природа приховує принципи, що керують функцією молекул і матеріалів, у комбінаторних просторах, які занадто великі, щоб їх можна було всебічно дослідити. Прогрес у відкритті матеріалів залежить від навчання, за обмеженими даними, як склад і структура створюють бажані властивості. Генеративний ШІ пропонує принциповий підхід, ставлячи проблему як навчання транспортної карти від простої базової розподілу до розподілу хімічно валідних структур, що дозволяє як безумовне відкриття, так і генерацію з урахуванням властивостей. У цій доповіді я представлю сімейство Open Materials Generation (OMatG) та PropMolFlow, найсучасніші генеративні моделі для неорганічних кристалів і малих молекул. Потім я покажу, як політика-градієнтне підкріплювальне навчання можна розширити до моделей генерації, основаних на потоці, і як це може узгодити OMatG з цільовими завданнями, які виходять за межі навчальних даних, драматично прискорюючи прогнозування структури кристалів. Нарешті, я обговорю, як ці ідеї поширюються на молекулярні кристали та деяку нещодавню неопубліковану роботу. Ця доповідь досліджує, як ШІ може допомогти науковцям проектувати нові матеріали з бажаними властивостями, прискорюючи пошук серед численних можливих комбінацій атомів. https://bidmap.berkeley.edu/seminars/stefano-martiniani-learning-design-materials Наш доповідач: Стефано Мартіньяні Стефано Мартіньяні є асистентом-професором фізики, хімії, математики та нейронаук у Нью-Йоркському університеті. Його міждисциплінарна теоретична група розробляє методи ШІ для прискорення наукових відкриттів у молекулах, матеріалах та живих системах, а також вивчає організуючі принципи у складних системах. Він отримав докторський ступінь в університеті Кембриджу як стипендіат Gates, після чого обіймав посаду постдока в фізиці в NYU (2017–2019) та асистентом-професора у сфері хімічного інженерії та матеріалознавства в університеті Міннесоти (2019–2021). Його нагороди включають нагороду NSF CAREER, нагороду AFOSR YIP, премію IUPAP для науковців на початку кар'єри, стипендію факультету Фонду Симонса та премію Outstanding Thesis Prize університету Кембриджу. Інститут цифрових матеріалів для планети Бакар (BIDMaP) прискорює відкриття, розробку та впровадження передових матеріалів для вирішення деяких найтерміновіших викликів, які постали перед нашою планетою. Поєднуючи передову хімію з штучним інтелектом, машинним навчанням та робототехнікою, BIDMaP переосмислює, як матеріали можуть бути спроектовані та оптимізовані для чистої енергії, чистого повітря, чистої води, передових батарей і сталого хімічного виробництва. https://bidmap.berkeley.edu/