Az AI chatbot meglepő tehetséget mutat a kémiai tulajdonságok előrejelzésében
Az AI chatbot meglepő tehetséget mutat a kémiai tulajdonságok előrejelzésében
Az AI chatbotok világában egyre gyakoribbak a meglepő áttörések, ám a legújabb kutatási eredmények még a szakértőket is megdöbbentették. Egy új tanulmány szerint ugyanis egy mindössze minimális módosításokkal ellátott, ChatGPT-szerű rendszer lenyűgöző képességeket villantott meg a kémiai tulajdonságok és a különböző reakciók pontos megjósolásában. A molekulák és anyagok egyedi tulajdonságainak, illetve a várható reakcióhozamok előrejelzésekor ez az általános célú rendszer képes teljes mértékben felvenni a versenyt a jóval specializáltabb modellekkel, vagy akár le is győzni azokat. Mindezt úgy éri el, hogy közben lényegesen kevesebb finomhangolást igényel, mint a korábbi megoldások.
A tudományos projekt során a kutatók a jól ismert OpenAI által kifejlesztett GPT-3 modellt, valamint egy GPT-J nevű open-source verziót használták fel alapként. Ezzel sikeresen bizonyították a gyakorlatban, hogy a modern LLM rendszerek mély, kifejezetten szakirányú képzés nélkül is tökéletesen alkalmasak az összetett kémiai informatikai feladatok hatékony kezelésére. A kísérlet kivitelezéséhez a kutatók korábbi szakirodalmi adatokat gyűjtöttek össze, majd ezeket az információkat legfeljebb 30 kérdés-válasz formátumból álló struktúrába rendezték az LLM finomhangolásához. A rendszer ezt követően meglepő módon helyesen tippelte meg azt is, hogyan rendeződnek el a fémek a komplex, úgynevezett nagy entrópiájú ötvözetekben. Ez a kiváló eredmény még olyan összetett anyagok esetében is megszületett, amelyek eredetileg egyáltalán nem szerepeltek a modell tanítókészletében.
A vizsgálatok rámutattak, hogy az elért eredmények pontossága teljesen összemérhető volt azoknak a speciális gépi tanulási eszközöknek és számítógépes szimulációknak a teljesítményével, amelyeket kifejezetten merev fizikai szabályokkal programoztak be. Ez a megközelítés gyökeresen megváltoztathatja a jövőbeli laboratóriumi munkát, mivel a módszer közvetlenül lehetővé teszi a szűkös költségvetéssel rendelkező laboratóriumok számára is, hogy drága, egyedi célszoftverek megvásárlása nélkül fejlesszenek saját prediktív eszközöket a mindennapi kutatásaikhoz.
Ezen fejlett digitális eszközök demokratizálódása jelentősen megkönnyíti a vegyészek számára, hogy a saját szakterületükön közvetlenül profitáljanak a gépi tanulás előnyeiből. Mindehhez ráadásul a jövőben már nincs szükségük magas szintű programozói szakértelemre vagy hatalmas, nehezen elérhető erőforrásokra. Az általános célú AI modellek ilyen szintű adaptálhatósága így új kapukat nyit meg a tudományos innováció előtt.
- A kutatók szakirodalmi adatokat gyűjtöttek, és az adatokat legfeljebb 30 kérdés-válasz formátumba rendezték az LLM finomhangolásához.
- A rendszer helyesen tippelte meg, hogyan rendeződnek el a fémek a „nagy entrópiájú” ötvözetekben, még olyan anyagok esetében is, amelyek nem szerepeltek a tanítókészletben.
- Az eredmények pontossága összemérhető volt a kifejezetten fizikai szabályokkal programozott speciális gépi tanulási eszközökkel és számítógépes szimulációkkal.
- A módszer lehetővé teszi a szűkös költségvetéssel rendelkező laboratóriumok számára, hogy drága célszoftverek nélkül fejlesszenek prediktív eszközöket.
Ezen eszközök „demokratizálódása” jelentősen megkönnyíti a vegyészek számára, hogy saját területükön profitáljanak a gépi tanulásból anélkül, hogy magas szintű programozói szakértelemre vagy hatalmas erőforrásokra lenne szükségük. ---