Forskere på Georgia Tech har udviklet en maskinlæringsmodel, der gør det meget lettere for materialeforskere at udvikle nye polymerer.
Polymerer er store molekyler, der er lavet af lange strenge af kemiske byggesten. Vi bruger syntetiske polymerer som nylon, polyester eller plastemballage hver dag.
Materialeforskere forsøger at finde på nye sammensætninger af polymerer for at lave materialer med specifikke egenskaber. Hvis man ville have et materiale, der var let, strækbart, vandtæt og varmebestandigt, kunne man lave en polymer, der havde alle de egenskaber.
Problemet er, at det er en enorm opgave at finde ud af, hvilken kombination af kemikalier der vil skabe en polymer med de egenskaber. Der er uendeligt mange kombinationer, og det er ekstremt svært at forudsige, hvilke egenskaber en ny polymer vil have.
Den Forskere fra Georgia Tech har trænet deres LLM, kaldet polyBERT, på et datasæt med 80 millioner kemiske polymerstrukturer. Resultatet er en model, der forstår kemikaliernes sprog.
På samme måde som LLM'er er uddannet i et sprog som engelsk, forstår polyBERT nu grammatikken og syntaksen i, hvordan kemikalier og atomer kombineres for at skabe polymerer.
National Science Foundation (NSF) finansierede forskningen bag polyBERT. Programmets direktør, Debora Rodrigues, sagde, at forskerne "udviklede et nyt værktøj med kunstig intelligens til at overvinde udfordringen med at bestemme, hvilke kombinationer af kemikalier der vil skabe de mest effektive polymerer."
Ved at bruge polyBERT kan materialeforskere arbejde sig igennem kombinationer af kemikalier mere end 100 gange hurtigere end før. Resultatet af at bruge modellen er et datasæt med 100 millioner hypotetiske polymerer og deres forudsigelser for 29 egenskaber.
Hvis du er materialeforsker og leder efter et nyt materiale med meget specifikke egenskaber, behøver du ikke at eksperimentere og håbe på det bedste, du kan bare konsultere det datasæt, som AI'en har genereret.
Mens forskerne trænede polyBERT i polymerer, sagde de, at den teoretisk set også kunne bruges til anden kemisk forskning.
Potentialet for at skabe materialer, der er mere bæredygtige eller energieffektive, er en umiddelbar fordel i den virkelige verden ved at anvende denne form for kunstig intelligens.
