Tekoäly oppii paljastamaan kiteiden atomirakenteen

Yli sadan vuoden ajan tiedemiehet ovat käyttäneet kristallografiaksi kutsuttua menetelmää materiaalien atomirakenteen määrittämiseen. Menetelmä toimii valaisemalla röntgensäde materiaalinäytteen läpi ja tarkkailemalla sen tuottamaa kuviota.

Tästä kuviosta – jota kutsutaan diffraktiokuvioksi – on teoriassa mahdollista laskea atomien tarkka sijoittelu näytteessä. Haasteena on kuitenkin, että tämä tekniikka toimii hyvin vain, kun tutkijoilla on suuria, puhtaita kiteitä. Kun he joutuvat tyytymään pienistä paloista koostuvaan jauheeseen, jota kutsutaan nanokiteiksi, menetelmä vain vihjaa näkymättömään rakenteeseen.

Columbia Engineeringin tutkijat ovat luoneet koneoppimisalgoritmin, joka voi tarkkailla nanokiteiden tuottamaa kuviota ja päätellä materiaalin atomirakenteen, kuten Nature Materialsissa julkaisussa kuvataan.

Monissa tapauksissa heidän algoritminsa saa aikaan lähes täydellisen atomimittakaavan rakenteen rekonstruoinnin erittäin heikentyneestä diffraktioinformaatiosta – tämä saavutus oli mahdotonta kuvitella vain pari vuotta sitten.

"Tekoäly ratkaisi tämän ongelman oppimalla kaiken mahdollisen tuhansien tunnettujen, mutta toisiinsa liittymättömien rakenteiden tietokannasta", sanoo professori Simon Billinge. "Aivan kuten ChatGPT oppii kielen malleja, tekoälymalli oppi luonnon sallimat atomijärjestelyt."

Ryhmä koulutti generatiivisen tekoälymallin 40 000 tunnetulle atomirakenteella kehittääkseen järjestelmän, joka pystyy ymmärtämään näitä huonompia röntgenkuvioita. Koneoppimistekniikka, jota kutsutaan diffuusiogeneratiiviseksi mallinnukseksi, syntyi tilastollisesta fysiikasta ja sai äskettäin mainetta mahdollistaessaan tekoälyn luomia taideohjelmia, kuten Midjourney ja Sora.

Tekniikan soveltamiseksi kristallografiaan tutkijat aloittivat 40 000 kiderakenteen datajoukolla ja sekoittivat atomien paikkoja, kunnes niitä ei voitu erottaa satunnaisesta sijoituksesta. Sitten he kouluttivat syvän neuroverkon yhdistämään nämä lähes satunnaisesti sijoitetut atomit niihin liittyviin röntgendiffraktiokuvioihin ja neuroverkko käytti näitä havaintoja kiteen rekonstruoimiseen.

"Jauherikristallografian haaste on kuuluisan proteiinin laskostumisongelman sisarongelma, jossa molekyylin muoto on johdettu epäsuorasti lineaarisesta datasignatuurista", sanoi innovaatioprofessori Hod Lipson. "Minua innostaa erityisesti se, että verrattain vähäisellä fysiikan tai geometrian taustatiedolla tekoäly pystyi ratkaisemaan pulman, joka on hämmentänyt ihmistutkijoita vuosisadan ajan. Tämä on merkki tulevaisuudesta monilla muilla aloilla, jotka kohtaavat pitkäaikaisiahaasteita."

Sata vuotta vanha jauhekristallografiapalapeli on erityisen merkityksellinen Lipsonille, joka on laskennallisten kristallografisten menetelmien edelläkävijän Henry Lipson (1910–1991) pojanpoika. 1930-luvulla Henry Lipson työskenteli Braggin ja muiden aikalaisten kanssa kehittääkseen varhaisia matemaattisia tekniikoita, joita käytettiin laajalti ensimmäisten monimutkaisten molekyylien, kuten penisilliinin, ratkaisemiseen, mikä johti vuoden 1964 kemian Nobelin palkintoon.

Aiheesta aiemmin:

Millaisen uhkan tekoäly luo turvallisuuskriisissä

Fysiikka tekoälyn perustaksi

Tekoälyn voimaa