محققان انگلستان مدلی را مبتنی بر ترانسفورماتورها تهیه کرده اند تا به سرعت خصوصیات فیزیکی بلورهای مولکولی را پیش بینی کنند. به نام عملکرد کریستال مولکولی توسط ترانسفورماتورها یا MCRT به طور خلاصه ، تیم پشت مدل آن را به گپ می زند. اندی کوپر از دانشگاه لیورپول ، که بخشی از این تیم بود ، می گوید Crystal GPT در “Crystal GPT” خود [was] آموزش داده شده در بزرگترین بانک اطلاعاتی موجود در کریستال های آلی ، “و” متمایزترین مدل ها را در این کریستال ها بیاموزید ، با استفاده از ایده های متعدد مانند تقارن و چگالی کریستال ها و نحوه ارتباط این مدل ها با خصوصیات عملی. “
درک و پیش بینی خواص کریستال ها یک عنصر اصلی در طراحی مواد است ، اما این اغلب از طریق روش های محاسبات سنتی منبع است. آموزش ماشین به عنوان یک جایگزین امیدوارکننده در حال ظهور است و پیش بینی های سریعتر و مقرون به صرفه تر را برای روابط ساختارها ارائه می دهد. تکنیک هایی مانند همپوشانی صاف از موقعیت های اتمی (SOAP) و عملکرد تقارن تقارن گرا (ACSFS) (ACSFS) می توانند به طور موثری خواصی مانند انرژی شبکه را پیش بینی کنند ، در حالی که توصیف کننده های هندسی-سطح قابل دسترسی و قطر منافذ برای ضبط مواد جهانی. با این حال ، این روش ها با محدودیت ها همراه است. محاسبات SOAP با حافظه فشرده است و توصیف کننده های هندسی تمایل به فشرده سازی اطلاعات ساختاری دارند و به طور بالقوه از جزئیات ظریف اما مهم غفلت می کنند. علاوه بر این ، “رویکردهای آموزشی عمیق و پیشرفته معمولاً برای تغییر مسیر یا داده های جدید ، مخصوصاً مشکل و دست و پا گیر است.”
Evangelopoulos می گوید: “MCRT در نظر گرفته شده است که یک مدل اصلی باشد که به راحتی می تواند با مشکل موجود در حال حاضر تنظیم شود ، حتی با مقادیر کمی از داده ها.” در حالی که روز گرام در دانشگاه ساوتهمپتون ، که او نیز بخشی از تیم MCRT بود ، می گوید که الگوی آنها لزوماً نیازی به جایگزینی سایر روشهای پیش بینی ساختار کریستالی ندارد ، “با این حال ، می تواند در بهبود یا تسریع ثبات روشهای موجود نقش داشته باشد.”
Minggao Feng ، یکی دیگر از اعضای دانشگاه لیورپول ، توضیح می دهد که آنها MCRT را در 706126 ساختار کریستالی تجربی استخراج شده از پایگاه داده ساختاری کمبریج (CSD) با استفاده از وظایف طراحی شده به منظور یادگیری مدل برای یادگیری الگوهای مهم محیط هسته محلی آموزش داده اند. فنگ می گوید که معماری مدل از ترکیبی از ویژگی های چند حالته ، از جمله ایده های اتمی گرافیکی و “تصاویر” توپولوژیکی استفاده می کند که به ایجاد یک درک جهانی غنی از ماهیت کریستالی مواد کمک می کند. “این به یک الگوی اساسی منجر شده است که ما می توانیم آن را تصفیه کنیم-یعنی دوباره به هر خانواده خاص از کریستال ها و هرگونه عملکرد مورد نظر ، معماری مبتنی بر مدل همچنین ویژگی های توضیحی را ارائه می دهد که می تواند برای” مهندس راست “استفاده شود و تأکید کنیم که کدام ساختار در کدام ویژگی های ساختاری ماهیت است.
روز می گوید: “سود اصلی MCRT در موارد کم در دسترس بودن داده ها ایجاد می شود که در آن می تواند بهره وری چشمگیر را حتی در سناریوهای آموزش بالا نشان دهد.” کوپر می افزاید: “آزمایشات با آزمایشگاه شیمی و برخی از محاسبات گران است. قدرت عظیمی در توانایی خارج کردن قابل اعتماد از تعداد کمی از مشاهدات وجود دارد و مدلهای ترانسفورماتور یکی از راه های انجام این کار هستند.”
کیت باتلر ، که گروه طراحی و علوم کامپیوتر کالج لندن را در انگلستان اداره می کند ، توضیح می دهد که پیش بینی خواص از مجموعه داده های کوچک دشوار است ، زیرا مدل های یادگیری ماشین معمولاً به مقادیر زیادی از داده های آموزشی نیاز دارند که اغلب در این زمینه در دسترس نیستند. “گرفتن عکس از گربه ها یا سگ ها یا صحنه های خیابانی ارزان است ، اما گرفتن برچسب برای نحوه توزیع متان در مواد بسیار متفاوت است ، شما فقط نمی توانید از Captcha برای خراش دادن این نوع داده های با ارزش استفاده کنید! بنابراین ، عالی است که آنها کار نمی کنند ، جایی که می توانند داده های زیادی داشته باشند ، می توانند داده های زیادی داشته باشند ، واقعاً می توانند علیرغم محدودیت های آموزش.
مایکل راگگیرو از دانشگاه روچستر در ایالات متحده ، “این کار نشانگر یک مرحله تحول آمیز است.” این کار در نحوه انجام تحقیقات شیمی مدرن متحول خواهد شد و در نهایت امکان تحقق تجربی مواد جدید برای برنامه های پیشرفته را فراهم می کند. “
MCRT در چهار کار از قبل آموزش داده شد:
- پیش بینی نقاب دار یک اتمS این به مدل درک عمیق تری از محیط شیمیایی محلی می دهد.
- طبقه بندی جفت های اتمS این مشخص می کند که آیا یک جفت اتم از یک مولکول یکسان است که برای کمک به مدل در تمایز مولکول های مختلف در یک سلول کریستالی و بهبود درک ساختار کریستال طراحی شده است.
- پیش بینی چگالی کریستالS این اطلاعات کریستالی جهانی مهم را ارائه می دهد ، به ویژه برای پیش بینی خواصی که به شکاف های کریستالی و تخلخل متکی هستند.
- پیش بینی عناصر متقارنS این اطلاعات در مورد گروه کیهانی کریستال بر اساس عناصر موجود تقارن کریستال ارائه می دهد.
