Нов AI инструмент прогнозира пробиви в материалознанието

Екип учени от Германия разработи система за изкуствен интелект за компютърно прогнозиране на новите тенденции в материалознанието въз основа на анализ на научната литература. Инструментът, създаден на базата на голям езиков модел, обработва около 221 000 резюмета на статии по материалознание, публикувани от 1955 до 2022 г., и създава карта на бъдещите открития. Авторите на разработката подчертават, че този инструмент не е предназначен да замести творческото мислене на изобретателите.

На първия етап настроената версия на езиковия модел LLaMA-2 извлича от текстовете ключови научни понятия. След това тези понятия се подреждат в „граф на концепции“ — мрежа от знания, където всеки термин образува възел, а връзките между възелите отразяват честотата на съвместното появяване на термините в едно резюме. Вторият модел за машинно обучение анализира еволюцията на тези връзки във времето.

„Ако нашият езиков модел разпознае, че термини като „перовскит“ и „соларен елемент“ се срещат заедно все по-често, в графа на концепциите се създава нова връзка. След това моделът за машинно обучение анализира развитието на тези връзки, за да предскаже кои комбинации от научни понятия могат да станат по-важни през следващите две-три години“,

пояснява Томас Марвиц от Технологичния институт в Карлсруе, първи автор на изследването.

„След това моделът за машинно обучение анализира развитието на тези връзки, за да предскаже кои комбинации от научни концепции могат да станат по-важни през следващите две-три години“

Добавянето на семантична информация подобрява способността на системата да предсказва връзките между отдалечени теми — именно такива комбинации често се оказват най-новите и потенциално ценни за научните изследвания.

За да провери практическата полезност, екипът генерира персонализирани доклади от десет учени-материаловеди. От 292-те комбинации, предложени от ИИ, 26% бяха оценени от експертите като наистина нови или перспективни. При допълнително филтриране на резултатите чрез втори езиков модел точността на идентифициране на интересните комбинации се повиши до 47%.

Сред най-убедителните прогнози са комбинациите „обикновена керамика“ с „графенов оксид“ за приложения в акумулаторите и „плоскостна поляризация“ с „органичен фотоелемент“. Тези направления преди това практически не са привличали внимание в научната литература.

„Не искаме да заместваме изследователите“, отбеляза Паскал Фридерих, участник в проекта, в прессъобщение. „Нашият резултат не е машина за изобретения, а инструмент за анализ, който може да помогне за по-целенасочено откриване на нови идеи и потенциални сътрудничества“.