GPT-3 kimyasal araştırmaları dönüştürüyor | Mirage Haberleri

Yapay zeka, geleneksel yaklaşımların karşılaştığı karmaşık zorlukların üstesinden gelmek için yeni yaklaşımlar sunan, kimyasal araştırmalarda önemli bir araç haline gelecek şekilde büyüyor. Yapay zekanın kimyada kullanımı giderek artan bir alt türü, verilere dayalı kararlar almak ve açıkça programlanmadığı görevleri gerçekleştirmek için algoritmalar ve istatistiksel modeller kullanan makine öğrenimidir.

Bununla birlikte, güvenilir tahminler yapabilmek için makine öğrenimi aynı zamanda büyük miktarlarda veri gerektirir ve bu, kimyasal araştırmalarda her zaman mevcut değildir. Küçük kimyasal veri kümeleri, bu algoritmaların üzerinde eğitim alması için yeterli bilgi sağlamaz ve bu da onların etkinliğini sınırlar.

Yeni bir çalışmada Berend Smit'in EPFL'deki ekibindeki bilim insanları, GPT-3 gibi büyük dil modellerinde bir çözüm buldular. Bu modeller çok miktarda metin üzerinde önceden eğitilmiştir ve insan benzeri metinleri anlama ve oluşturma konusundaki kapsamlı yetenekleriyle bilinir. GPT-3, en popüler yapay zeka yazılımı ChatGPT'nin temelini oluşturur.

Nature Machine Intelligence dergisinde yayınlanan çalışma, yapay zeka kullanarak kimyasal analizi önemli ölçüde basitleştiren yeni bir yaklaşımı ortaya koyuyor. İlk şüphelerin aksine yöntem, GPT-3 hakkında doğrudan kimyasal sorular sormuyor. Çalışmanın baş araştırmacısı Kevin Jablonka, “GPT-3 kimya literatürünün çoğunu incelememiştir, dolayısıyla ChatGPT'de bir kimya sorusu sorarsak yanıtlar genellikle Wikipedia'da bulunabileceklerle sınırlıdır” diyor. “Bunun yerine GPT-3'e, soru ve yanıtlara dönüştürülen küçük bir veri kümesiyle ince ayar yaparak kesin kimyasal bilgiler sağlayabilen yeni bir model oluşturduk.”

Bu süreç, GPT-3'e biçimlendirilmiş bir soru ve yanıt listesinin beslenmesini içerir. Smit, “Örneğin, yüksek entropili alaşımlar için alaşımın tek fazda mı yoksa birden fazla fazda mı oluştuğunu bilmek önemlidir” diyor. Şu türden formatlanmış soru ve cevapların listesi: S= “Tek aşamalı mı?” A= “Evet/Hayır.”

Sözlerine şöyle devam ediyor: “Literatürde, cevabı bilinen birkaç alaşım bulduk ve bu verileri GPT-3'e ince ayar yapmak için kullandık. Elde ettiğimiz şey, tam da bu soruyu cevaplamak için eğitilmiş, geliştirilmiş bir yapay zeka modeliydi. Evet ya da hayır “

Testlerde, nispeten az sayıda soru ve cevapla eğitilen model, çok çeşitli kimya problemlerinin %95'inden fazlasını doğru bir şekilde yanıtladı ve çoğu zaman modern makine öğrenimi modellerinin doğruluğunu aştı. Smit, “Mesele şu ki, bu, birçok kimyasal problemin çözümünde işe yarayan bir literatür araştırması yapmak kadar kolaydır” diyor.

Bu çalışmanın en dikkat çekici yönlerinden biri basitliği ve hızıdır. Geleneksel makine öğrenimi modellerinin geliştirilmesi aylar alır ve kapsamlı bilgi gerektirir. Buna karşılık Jablonka'nın geliştirdiği yaklaşım beş dakika sürüyor ve hiçbir bilgi gerektirmiyor.

Araştırmanın sonuçları oldukça derin. Literatür taraması yapmak kadar kolay, farklı kimyasal problemlere uygulanabilen bir yöntem sunar. “A mı?” gibi soruları formüle etme yeteneği [chemical] Bununla yapıldı [recipe] “Yüksek?” ve doğru yanıtların alınması, kimyasal araştırmaların planlanma ve yürütülme biçiminde devrim yaratabilir.

Yazarlar makalede “Literatür araştırmasının yanı sıra temel bir modeli sorgulamak” diyor [e.g., GPT-3,4] “Bu temel modellerde kodlanmış kolektif bilgiden yararlanarak bir projeye başlamanın rutin bir yolu haline gelebilir.” Veya Smit'in kısa ve öz bir şekilde ifade ettiği gibi, “Bu, kimya yapma şeklimizi değiştirecek.”

Diğer katkıda bulunanlar

• Yapay Kimyasal Zeka için EPFL Laboratuvarı
• Helmholtz Enerji Uygulamalarında Polimerler Enstitüsü (Helmholtz Center Berlin ve FSU Jena)

referans

Kevin Mike Jablonka, Philipp Schwaller, Andrés Ortega Guerrero, Berend Smit. Kimyada düşük veri keşfi için ihtiyacınız olan tek şey GPT mi? Doğa Makine Zekası 2023. DOI:10.1038/s42256-023-00788-1