🔬There Is No AlphaFold for Materials — AI for Materials Discovery with Heather Kulik

Введение и контекст

Heather Kulik рассказывает о своих попытках использовать LLM для генерации молекул с точным числом атомов, что пока не даёт точных результатов.

Подчёркивается разница между базовыми знаниями LLM и глубокими химическими задачами, требующими специализированных методов.

Применение AI в открытии материалов

Группа Heather использовала AI для скрининга десятков тысяч материалов, что заняло бы годы в лаборатории.

AI выявил неожиданный химический механизм, который экспериментально подтвердили, получив более прочный пластик.

Переход к машинному обучению

Heather объясняет, как в 2015-2016 годах они начали использовать термин «машинное обучение» и нейронные сети для обратного дизайна материалов.

Акцент на том, что ML позволяет выявлять закономерности в больших данных, выходя за рамки классических методов.

Активное обучение и многокритериальная оптимизация

Пример с металлоорганическими каркасами (MOF), где оптимизируют одновременно до 7 параметров, включая стоимость, стабильность и селективность.

Активное обучение позволяет значительно ускорить поиск оптимальных материалов без необходимости точных моделей на старте.

Роль квантово-механического моделирования

Квантово-механические расчёты дают точные, но дорогие по времени предсказания свойств материалов.

ML помогает ускорить эти расчёты, позволяя делать предсказания в разы быстрее, сохраняя приемлемую точность.