Deep Principle, базиран в Пекин AI за научен стартъп, стартира MPA (Materials Property Axiom), основен модел за прогнозиране на свойствата на материалите, който постига най-съвременни резултати в 40 индустриални задачи в реалния свят. Описан като a "Материали AlphaFold," MPA представлява пробив в прилагането на методологии за обучение по големи езикови модели към физическите науки.
MPA се справя с основно предизвикателство в науката за материалите, управлявана от AI: модели, които постигат висока точност при изчислителни бенчмаркове, постоянно се провалят, когато се сблъскат с реални експериментални данни. Пропастта между теоретичните прогнози и лабораторната реалност ограничи практическото приемане на AI в изследването на материалите.
Решението на Deep Principle заимства парадигмата на три етапа на обучение от големи езикови модели — предварително обучение, междинно обучение и фина настройка — адаптирани за домейна на материалите. Междинният етап на обучение е особено иновативен, използвайки насочвано от физика подравняване за изграждане "физическа интуиция" който преодолява пропастта между изчислителните идеализации и експерименталните условия в реалния свят.
Архитектурата на модела е новаторска "Хибридно отчитане" дизайн с два паралелни пътя: базиран на внимание път за обединяване на свойства като точка на кипене, които зависят от цялостната молекулярна "характер," и път на сумиране по атом за свойства като енталпия на образуване, която се мащабира с размера на молекулата. Параметърът, който може да се научи, α динамично претегля двата пътя в зависимост от свойството, което се предвижда.
В обширен бенчмаркинг MPA надмина пет водещи модела за прогнозиране на молекулярни свойства, включително ChemBERTa, ChemProp, Chemeleon, Uni-Mol2 и Suiren. Той постигна SOTA на 38 от 40 свойства в произволни разделени тестове (14,0% средно намаление на грешката) и 35 от 40 в по-предизвикателния сценарий на разделяне на скеле (14,6% намаление). Най-силните подобрения дойдоха в сценариите за разделяне на скелето, където тестовите молекули имат изцяло нови структури, невиждани никога при обучение – точно сценарият, който е най-често срещан в реалните изследвания.
MPA е интегрирано като умение в продукта Agent на Deep Principle и е достъпно чрез платформата Sciclaw на компанията. Техническият доклад е публикуван на уебсайта на Deep Principle, демонстрирайки практически път за привеждане в съответствие на AI моделите с физическите закони, управляващи поведението на реалните материали.