Пекинский стартап в области ИИ для науки Deep Principle запустил MPA (Materials Property Axiom) — базовую модель для прогнозирования свойств материалов, которая демонстрирует передовые результаты в 40 реальных промышленных задачах. MPA, которую описывают как «Материальный AlphaFold», представляет собой прорыв в применении методологий обучения больших языковых моделей к точным наукам.
MPA решает фундаментальную проблему в материаловедении на основе ИИ: модели, достигающие высокой точности на вычислительных бенчмарках, неизменно дают сбой при столкновении с реальными экспериментальными данными. Разрыв между теоретическим прогнозом и лабораторной реальностью ограничивал практическое внедрение ИИ в исследованиях материалов.
Решение Deep Principle заимствует трехэтапную парадигму обучения больших языковых моделей — предварительное обучение (pre-training), промежуточное обучение (mid-training) и точную настройку (fine-tuning) — адаптированную для домена материалов. Этап промежуточного обучения является особенно инновационным, поскольку использует физически ориентированную калибровку для формирования «физической интуиции», которая устраняет разрыв между вычислительными идеализациями и реальными условиями экспериментов.
Архитектура модели включает новую конструкцию «Гибридного считывания» (Hybrid Readout) с двумя параллельными путями: путь на основе механизма внимания (attention-based pooling) для свойств, таких как температура кипения, зависящих от общего «характера» молекулы, и путь суммирования поатомно (atom-wise summation) для свойств, таких как энтальпия образования, которые масштабируются с размером молекулы. Обучаемый параметр α динамически взвешивает эти два пути в зависимости от прогнозируемого свойства.
В ходе обширного тестирования MPA превзошла пять ведущих моделей прогнозирования молекулярных свойств, включая ChemBERTa, ChemProp, Chemeleon, Uni-Mol2 и Suiren. Модель достигла SOTA по 38 из 40 свойств в тестах со случайным разделением (среднее снижение ошибки на 14,0%) и по 35 из 40 в более сложном сценарии разделения по каркасу (scaffold split) (снижение на 14,6%). Наибольшие улучшения были достигнуты в сценариях разделения по каркасу, где тестовые молекулы имели совершенно новые структуры, ни разу не встречавшиеся при обучении — именно этот сценарий наиболее распространен в реальных исследованиях.
MPA была интегрирована как навык в продукт Agent от Deep Principle и доступна через платформу sciclaw компании. Технический отчет опубликован на веб-сайте Deep Principle, демонстрируя практический путь согласования моделей ИИ с физическими законами, управляющими реальным поведением материалов.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
