Новый инструмент искусственного интеллекта предсказывает прорыв в материаловедении

Команда ученых из Германии разработала систему искусственного интеллекта для компьютерного прогнозирования новых тенденций в материаловедении на основе анализа научной литературы. Инструмент, построенный на большой языковой модели, обрабатывает около 221 000 рефератов статей по материаловедению, опубликованных с 1955 по 2022 год, и создает карту будущих открытий. Авторы разработки подчеркивают, что этот инструмент не призван заменить творческое мышление изобретателей.

На первом этапе настроенная версия языковой модели LLaMA-2 извлекает из текстов ключевые научные понятия. Затем эти понятия упорядочиваются в «график понятий» — сеть знаний, в которой каждый термин образует узел, а отношения между узлами отражают частоту совместного появления терминов в сводке. Вторая модель машинного обучения анализирует эволюцию этих отношений с течением времени.

«Если наша языковая модель распознает, что такие термины, как «перовскит» и «солнечный элемент», встречаются вместе все чаще и чаще, в графе понятий создается новая связь. Модель машинного обучения затем анализирует эволюцию этих связей, чтобы предсказать, какие комбинации научных концепций могут стать более важными в ближайшие два-три года».

объясняет Томас Марвиц из Технологического института Карлсруэ, первый автор исследования.

«Затем модель машинного обучения анализирует эволюцию этих связей, чтобы предсказать, какие комбинации научных концепций могут стать более важными в течение следующих двух-трех лет».

Добавление семантической информации улучшает способность системы прогнозировать связи между отдаленными темами — именно такие комбинации часто оказываются наиболее новыми и потенциально ценными для исследования.

Чтобы проверить практическую полезность, команда подготовила индивидуальные отчеты от десяти ученых-материаловедов. Из 292 комбинаций, предложенных ИИ, 26% были оценены экспертами как действительно новые или многообещающие. Когда результаты были дополнительно отфильтрованы по модели второго языка, точность выявления интересных комбинаций увеличилась до 47%.

Среди наиболее убедительных предсказаний — комбинации «простой керамики» с «оксидом графена» для аккумуляторов и «плоской поляризации» с «органическим фотоэлементом». Ранее эти направления практически не привлекали внимания в научной литературе.

«Мы не хотим заменять исследователей», — отметил в пресс-релизе участник проекта Паскаль Фридрих. «Наш результат — это не машина для изобретений, а инструмент анализа, который может помочь более целенаправленно находить новые идеи и потенциальное сотрудничество».