ШІ навчився розкривати структуру найменших кристалів

Науковці Колумбійського інженерного інституту розробили алгоритм машинного навчання, здатний визначати атомну структуру матеріалів на основі рентгенівських дифракційних картин, отриманих від найдрібніших нанокристалів.

Кристалографія – це наука, що вивчає картину, яка утворюється при просвічуванні рентгенівським променем зразка матеріалу. Зразок порошку дає іншу картину, ніж масивний кристал. Зображення: Columbia Engineering

Кристалографія – наука, що вже понад століття використовується для визначення атомної структури матеріалів – базується на аналізі дифракційних картин. Цей метод має вирішальне значення для розвитку медицини, створення нових матеріалів та дослідження археологічних артефактів. Традиційна кристалографія ефективна лише для великих, чистих кристалів, що суттєво обмежує її застосування.

Вчені досі змушені були обходити обмеження методу, коли досліджувані зразки представлені лише у вигляді порошків із нанокристалів. Така ситуація часто виникає при розробці ліків, створенні акумуляторів нового покоління та аналізі стародавніх артефактів, уповільнюючи інновації в цих галузях.

Штучний інтелект долає обмеження традиційних методів

Подолати це обмеження вдалося завдяки інноваційному підходу з використанням генеративних моделей штучного інтелекту. “ШІ вирішив цю проблему, вивчивши все, що міг, з бази даних, яка містить багато тисяч відомих, але не пов’язаних між собою структур”, – пояснює Саймон Біллінг, професор матеріалознавства, прикладної фізики та прикладної математики в Колумбійському інженерному інституті.

Команда дослідників натренувала модель на 40 000 відомих атомних структур. Алгоритм використовує техніку дифузійного генеративного моделювання, що походить зі статистичної фізики. Аналогічні методи лежать в основі популярних мистецьких програм, таких як Midjourney і Sora.

Новизна підходу полягає в тому, що алгоритм доповнює неповні дифракційні дані знаннями про можливі структури. “Алгоритм використав свої знання про тисячі непов’язаних структур, щоб доповнити дифракційні дані”, – зазначає професор Біллінг. Це схоже на те, як ChatGPT використовує закономірності мови для генерації тексту.

Для навчання моделі вчені спочатку використали набір із 40 000 кристалічних структур. Вони перемішали атомні позиції до такого стану, коли їх не можна було відрізнити від випадкового розміщення. Потім глибока нейронна мережа навчилася пов’язувати ці майже випадково розміщені атоми з відповідними рентгенівськими дифракційними картинами.

Успіхи та перспективи застосування

Алгоритм виявився значно ефективнішим, ніж очікували дослідники. Він зміг визначити атомну структуру нанометрових кристалів різної форми, включаючи зразки, які були надто складними для попередніх методів характеризації.

Ход Ліпсон, професор інновацій і завідувач кафедри машинобудування в Колумбійському інженерному інституті, порівнює цю проблему з іншим складним науковим завданням. “Проблема порошкової кристалографії є спорідненою з відомою проблемою згортання білків, де форма молекули визначається опосередковано з лінійного підпису даних”, – пояснює він.

Особливо вражає те, що ШІ зміг вирішити проблему, яка спантеличувала дослідників протягом століття, маючи відносно невеликі базові знання з фізики чи геометрії. Це демонструє потенціал штучного інтелекту для вирішення давніх наукових проблем в інших галузях.

Зв’язок цього дослідження з історією науки особливо цікавий. Ход Ліпсон є онуком Генрі Ліпсона, першовідкривача методів обчислювальної кристалографії. У 1930-х роках Генрі Ліпсон працював над розробкою ранніх математичних методів, які використовувалися для розв’язання структур таких складних молекул, як пеніцилін.

Гейб Го, керівник проекту, підкреслює стрімкий розвиток технологій ШІ: “Коли я навчався в середній школі, в цій галузі намагалися створити алгоритми, які могли б відрізнити котів від собак. Зараз дослідження, подібні до нашого, підкреслюють величезну силу ШІ, яка збільшує можливості вчених-людей і виводить інновації на новий рівень”.

Результати цього дослідження, опубліковані в журналі Nature Materials, відкривають нові можливості для розвитку медицини, матеріалознавства, археології та інших галузей. Здатність аналізувати нанокристали дозволить прискорити розробку нових ліків, створення акумуляторів наступного покоління та дослідження стародавніх артефактів.

Це досягнення демонструє, як штучний інтелект перетворюється з простого інструменту для обробки даних на потужного помічника, здатного вирішувати фундаментальні наукові проблеми, що десятиліттями залишалися нерозв’язаними.