Linda Vu, Lourens Berkli Milli Laboratoriyası tərəfindən

Lisa Lock tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

MatterChat, mətn əsaslı süni intellektə atomlar arasındakı mürəkkəb 3D qüvvələri anlamağa kömək edən və onu yeni materialları kəşf etmək üçün güclü bir vasitəyə çevirən ixtisaslaşmış bir körpü rolunu oynayır. Müəllif: Yingheng Tang/Zhi Jackie Yao/Berkeley Lab

E-poçt yazmaqdan kompüter kodunun yaradılmasına qədər gündəlik həyatımızda geniş yayılmış süni intellektin böyük bir hissəsi bir sahəni mənimsəməklə uğur qazanıb: mətn. Lakin bu, fiziki elmlərdə böyük bir kor nöqtə yaradır, burada modellər kristaldakı atomların mürəkkəb qəfəsi kimi fiziki dünyanın yüksək qətnaməli, üçölçülü məlumatlarından asılıdır. Elm üçün süni intellektdən istifadə vədini yerinə yetirmək üçün bu məlumatlara əsaslanan mətn modellərinə fizikaya əsaslanan modellərlə problemsiz “danışmağı” öyrətmək lazımdır.

İndi isə, Lorens Berkli Milli Laboratoriyasından (Berkeley Laboratoriyası) MatterChat adlı yeni süni intellekt çərçivəsi, ixtisaslaşmış bir “körpü” yaratmaqla bu problemi həll edir. Bu çərçivə, Böyük Dil Modelinin (LLM) danışıq gücünü “atomlararası potensialları” – atomlar arasındakı mürəkkəb fiziki qüvvələri modelləşdirən fizika əsaslı süni intellektlə birləşdirir.

Yaranan sistem material xüsusiyyətlərini proqnozlaşdırmaqda GPT-4 kimi ümumi təyinatlı süni intellekt alətlərini artıq xeyli üstələyir və komanda ümid edir ki, əsaslandırılmış məlumatlar təqdim edən və yeni materialların sintezi üçün addım-addım təlimatlar yaradan güclü bir tədqiqat tərəfdaşı kimi xidmət etməklə elmi kəşfləri sürətləndirə bilər. Bu işi təsvir edən bir məqalə bu yaxınlarda Nature Machine Intelligence jurnalında dərc edilib .

Berkeley Laboratoriyasının Tətbiqi Riyaziyyat və Hesablama Tədqiqatları Bölməsinin (AMCR) doktoranturadan sonrakı tədqiqatçısı və məqalənin aparıcı müəllifi Yingheng Tang bildirib ki, “Ənənəvi simulyasiyalar materialşünaslıq üçün tələb olunan fiziki dəqiqliyi təmin edə bilər, lakin onların hesablama dəyəri yüksək məhsuldarlıqlı skrininq üçün hələ də qadağanedici olaraq qalır. Əksinə, LLM-lər sürətli bilik sintezində üstün olsalar da, materialları birbaşa əsas atom koordinatlarından şərh etmək üçün “struktur vizyonu” yoxdur”.

“MatterChat, tədqiqatçıların mürəkkəb, real dünya material problemlərini həll etmək üçün tam potensiallarından istifadə etmələrinə imkan verən struktur “vizyon” ilə LLM-lərə səlahiyyət verən bu dilemmanı həll etmək üçün qurulmuşdur.”

Materialşünaslıqdakı mürəkkəb problemləri həll etmək üçün dil modellərinin gücləndirilməsi

Berkeley Laboratoriyası komandası MatterChat-ı qurmaq üçün Vision Question Answering (VQA) və Text-to-Image (T2I) generasiyası kimi texnologiyalardan ilhamlanıb. Bu tapşırıqlarda süni intellekt yüksək səviyyəli mətn konsepsiyalarını vizual təsvirlərə və ya əksinə çevirməlidir. Bunu etmək üçün tərtibatçılardan iki əsaslı fərqli məlumat formasını “körpüləşdirən” alətlər yaratmaları tələb olunur.

Tədqiqatçılar bu konsepsiyanı fiziki elmlərə uyğunlaşdırdılar. MatterChat ilə onlar LLM-in ümumi biliklərini elmi interatomik potensiallarda kodlanmış atom miqyaslı dünyanın dərin anlayışı ilə uğurla əlaqələndirən “körpü modeli” yaratdılar.

İndiyə qədər material problemlərini həll etmək üçün LLM-lərdən istifadə edən tədqiqatçılar adətən onlara xam məlumat fayllarını sanki sadəcə mətn sətirləri kimi verməli idilər. Bu, süni intellektdən yalnız hissələr siyahısına əsaslanan mürəkkəb 3D mühərriki başa düşməsini istəmək kimidir: LLM adları oxuya bilər, lakin atomların fəzada necə bir-birinə uyğunlaşdığını “görə” bilmir. MatterChat, LLM-in dünyanı təmsil etməsini atomlararası potensialın dünyanı təmsil etməsi ilə uyğunlaşdırmaq üçün milyonlarla kristal struktur və LLM üzərində əvvəlcədən təlim keçmiş ixtisaslaşmış süni intellekt körpü modelini öyrətməklə bunu həll edir.

Körpü modeli fiziki anlayışları LLM-in həqiqətən başa düşə biləcəyi bir formata çevirə bilər. Berkeley Laboratoriyası komandası LLM-ə bu “elmi gözləri” – süni intellekt terminologiyasında elmi “induktiv qərəzi” – verməklə onu istilik sabitliyini proqnozlaşdırmaq və ya elektron zolaq boşluqlarını təhlil etmək kimi mürəkkəb material problemləri ilə bağlı əsaslandırılmış elmi anlayışlar təqdim edə bilən güclü bir tədqiqat alətinə çevirdi.

Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklərdən xəbərdar olun .

“Biz atomları fiziki məkanda yaşayan kimi düşünürük, lakin maşın öyrənməsi baxımından onlar sadəcə yüksək ölçülü Evklid fəzasında çox sadə strukturlaşdırılmış çoxluqda yaşayan vektorlardır; və əlbəttə ki, eyni şey həmin atomlar haqqında fikirlərimizi ifadə etmək üçün istifadə etdiyimiz cümlələr və abzaslar üçün də keçərlidir”, – deyə Berkeley Laboratoriyasının Elmi Məlumat Bölməsinin (SDD) Süni İntellekt Təşəbbüsü Tədqiqat Rəhbərinin həmmüəllifi Maykl Mahoney bildirib. “Körpü modeli əsasən bu iki strukturun bir-biri ilə “danışmasına” imkan verir.”

Bu ümumi yanaşmanın konsepsiyasının sübutu olaraq, komanda körpü modelini Materiallar Layihəsindən təxminən 143.000 sabit atom strukturunu müvafiq fiziki xüsusiyyətləri ilə birləşdirərək hazırlanmış məlumat dəsti üzərində öyrətdi. Bu təlim məlumatları Materiallar Layihəsinin API-si istifadə edilərək avtomatik olaraq toplandı və qəsdən mikroelektronika dizaynı üçün əsas xüsusiyyətlər – formalaşma enerjisi və zolaq boşluğu kimi xüsusiyyətlərlə zənginləşdirildi ki, bu da MatterChat-a materialın atom planını funksional performansı ilə əlaqələndirən mürəkkəb nümunələri öyrənməyə imkan verdi.

Modellərini təsdiqləmək üçün tədqiqatçılar MatterChat-ı ümumi təyinatlı LLM-lərdən tutmuş digər ixtisaslaşmış elmi süni intellekt metodlarına qədər bir sıra digər süni intellekt sistemləri ilə müqayisə etdilər. Nəticələr göstərir ki, MatterChat bir sıra tapşırıqlarda rəqiblərini ardıcıl olaraq üstələyib. Model material növlərini təsnif etməkdə daha dəqiq idi və ədədi xüsusiyyətləri proqnozlaşdırmaqda üstün dəqiqlik nümayiş etdirdi. Məsələn, o, yüksək tutumlu enerji saxlama sistemlərindən tutmuş yeni nəsil kompüter çiplərinə qədər yeni elektronikanın dizaynı üçün vacib olan bir xüsusiyyət olan materialın zolaq boşluğunu proqnozlaşdırmaqda üstün idi.

Berkeley Laboratoriyasının AMCR-də tədqiqatçı alim, həmmüəllif Zhi (Jackie) Yao bildirib ki, “Dizaynımız xeyli daha səmərəlidir, çünki sıfırdan böyük bir süni intellekt modeli qurmağa ehtiyac duymuruq. Bunun əvəzinə, iki güclü, əvvəlcədən hazırlanmış modeli – material fizikası üçün struktur kodlayıcı və açıq mənbəli LLM – götürürük və onlardan hazır istifadə edirik.”

“Əslində öyrətdiyimiz yeganə komponent, onlar arasında keçid edən yüngül “körpü modeli”dir. Bu, bütün bir avtomobil zavodunun qurulması ilə sadəcə dünya səviyyəli mühərriki dünya səviyyəli naviqasiya sisteminə qoşan ağıllı adapterin dizaynı arasındakı fərqdir. Bu yanaşma təkcə hesablama baxımından səmərəli deyil, həm də sistemi modulyar edir, buna görə də gələcəkdə komponentləri asanlıqla təkmilləşdirə və ya körpünü digər elmi sahələr üçün uyğunlaşdıra bilərik.”

Ən əsası, bu modul dizayn Berkeley Laboratoriyası və Energetika Departamenti kimi qurumların inkişaf edən süni intellekt sahəsində necə dəyərli bir yer tutduğunu dəqiq şəkildə vurğulayır. Laboratoriya, Silikon Vadisi texnologiya nəhəngləri ilə sıfırdan daha böyük dil modelləri qurmaq üçün rəqabət aparmaq əvəzinə, kommersiya süni intellektini sərt elm üçün faydalı edən ixtisaslaşmış birləşdirici toxumaya diqqət yetirir.

MatterChat-ın əsasını təşkil edən körpü modeli yanaşması irəliyə uyğun olduğundan, bu paralel innovasiya yollarından istifadə etmək üçün mükəmməl mövqedədir. Mahoney-nin qeyd etdiyi kimi, “Sənayenin təkmilləşdirilmiş LLM-lər hazırlamağa davam edəcəyini və sahə alimlərinin və müəssisələrinin yeni məlumatlar yaratmağa davam edəcəyini gözləyirik. Elmi maşın öyrənməsinin vacib bir hissəsi sadəcə bugünkü məlumatlardakı problemləri həll etmək deyil, əksinə, istər elmi sahələrdən, istərsə də LLM-lərdən əldə edilən daha çox məlumatla irəliyə uyğun ümumi metodlar hazırlamaqdır.”

Yaonun sözlərinə görə, MatterChat layihəsi artıq öz imkanlarını genişləndirəcək. Fermilab ilə əməkdaşlıq çərçivəsində MatterChat artıq ABŞ Enerji Departamentinin “Silicon-a Ekstremal Ətraf Mühit Spesifikasiyalarının Sürətləndirilməsi” (AXESS) adlı Genesis Missiyası layihəsinə töhfə verir. Bu layihə, qabaqcıl 3D inteqral sxemlərdən (çipletlər) və süni intellektlə idarə olunan məlumat təhlilindən istifadə etməklə, çətin hissəciklər fizikası təcrübələri üçün yeni nəsil, yüksək sürətli, radiasiya ilə möhkəmləndirilmiş detektorların inkişafını sürətləndirməyi hədəfləyir.

Komanda həmçinin Berkli Laboratoriyasında yerləşən Milli Enerji Tədqiqatları Elmi Hesablama Mərkəzindəki (NERSC) superkompüter resurslarını MatterChat-ın uğurunda görür. “Biz NERSC-yə son dərəcə minnətdarıq; bu tədqiqat, onların “Süni İntellekt üçün Elm” proqramı vasitəsilə Perlmutter superkompüterinə çıxış olmadan baş tutmazdı”, – deyə Tanq bildirib. O dövrdə NERSC-nin doktoranturadan sonrakı üzvü olan Venbin Xu, Berkli Laboratoriyasının SDD-də tədqiqatçı alim Benjamin Erichson kimi, əsərin əsas həmmüəlliflərindən biri idi və AMCR-SDD əməkdaşlığının elm üçün süni intellekt sahəsində faydalarını vurğulayırdı.

Nəşr detalları

Yingheng Tang və digərləri, Materialşünaslıq üçün multimodal böyük dil modeli, Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01214-y

Jurnal məlumatı: Təbiət Maşın Zəkası 

Lourens Berkli Milli Laboratoriyası tərəfindən təmin edilib