El descubrimiento de nuevos materiales es crucial para abordar desafíos globales apremiantes, como el cambio climático y los avances en la informática de próxima generación. Sin embargo, los enfoques computacionales y experimentales existentes enfrentan limitaciones significativas a la hora de explorar eficientemente el vasto espacio químico. Si bien la IA se ha convertido en una poderosa herramienta para el descubrimiento de materiales, la falta de datos disponibles públicamente y de modelos abiertos y previamente entrenados se ha convertido en un importante cuello de botella. Los cálculos de la teoría funcional de la densidad (DFT), esenciales para estudiar la estabilidad y las propiedades de los materiales, son costosos desde el punto de vista computacional, lo que restringe su utilidad en la exploración de grandes espacios de búsqueda de materiales.
Investigadores de Meta Fundamental AI Research (FAIR) han presentado el conjunto de datos Open Materials 2024 (OMat24), que contiene más de 110 millones de cálculos DFT, lo que lo convierte en uno de los conjuntos de datos más grandes disponibles públicamente en este dominio. También presentan el modelo EquiformerV2, una red neuronal gráfica (GNN) de última generación entrenada en el conjunto de datos OMat24, que logra resultados líderes en la tabla de clasificación de Matbench Discovery. El conjunto de datos incluye diversas configuraciones atómicas tomadas de estructuras tanto en equilibrio como en no equilibrio. Los modelos preentrenados adjuntos son capaces de predecir propiedades como la estabilidad del estado fundamental y las energías de formación con alta precisión, proporcionando una base sólida para la comunidad de investigación en general.
El conjunto de datos OMat24 comprende más de 118 millones de estructuras atómicas etiquetadas con energías, fuerzas y tensiones celulares. Estas estructuras se generaron utilizando técnicas como el muestreo de Boltzmann, la dinámica molecular ab-initio (AIMD) y la relajación de estructuras traqueteadas. El conjunto de datos enfatiza las estructuras que no están en equilibrio, lo que garantiza que los modelos entrenados en OMat24 sean adecuados para propiedades dinámicas y alejadas del equilibrio. La composición elemental del conjunto de datos abarca gran parte de la tabla periódica, centrándose en materiales inorgánicos a granel. Los modelos EquiformerV2, entrenados en OMat24 y otros conjuntos de datos como MPtraj y Alexandria, han demostrado una alta eficacia. Por ejemplo, los modelos entrenados con objetivos de eliminación de ruido adicionales mostraron mejoras en el rendimiento predictivo.
Cuando se evaluó en el punto de referencia Matbench Discovery, el modelo EquiformerV2 entrenado con OMat24 logró una puntuación F1 de 0,916 y un error absoluto medio (MAE) de 20 meV/átomo, estableciendo nuevos puntos de referencia para predecir la estabilidad del material. Estos resultados fueron significativamente mejores en comparación con otros modelos de la misma categoría, lo que destaca la ventaja del entrenamiento previo en un conjunto de datos grande y diverso como OMat24. Además, los modelos entrenados únicamente en el conjunto de datos MPtraj, un conjunto de datos relativamente más pequeño, también funcionaron bien debido a estrategias efectivas de aumento de datos, como la eliminación de ruido de estructuras sin equilibrio (DeNS). Las métricas detalladas mostraron que los modelos preentrenados de OMat24 superan a los modelos convencionales en términos de precisión, particularmente para configuraciones de no equilibrio.
La introducción del conjunto de datos OMat24 y los modelos correspondientes representa un importante avance en la ciencia de materiales asistida por IA. Los modelos brindan la capacidad de predecir propiedades críticas, como las energías de formación, con un alto grado de precisión, lo que los hace muy útiles para acelerar el descubrimiento de materiales. Es importante destacar que esta versión de código abierto permite a la comunidad de investigación aprovechar estos avances, mejorando aún más el papel de la IA para abordar los desafíos globales a través de nuevos descubrimientos de materiales.
El conjunto de datos y los modelos de OMat24, disponibles en abrazando la carajunto con puntos de control para modelos previamente entrenadosproporciona un recurso esencial para los investigadores de IA en ciencia de materiales. El equipo FAIR Chem de Meta ha puesto estos recursos a disposición bajo licencias permisivas, lo que permite una adopción y un uso más amplios. Además, se puede encontrar una actualización del equipo de OpenCatalyst sobre X. aquíproporcionando más contexto sobre cómo los modelos están superando los límites de la predicción de la estabilidad de los materiales.
Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 50.000 ml.
[Upcoming Live Webinar- Oct 29, 2024] La mejor plataforma para ofrecer modelos optimizados: motor de inferencia Predibase (promocionado)
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como emprendedor e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.