Un nuevo modelo de IA transforma la comprensión de los marcos metalorgánicos
El "MOFtransformer" está diseñado para ser el ChatGPT de los investigadores que estudian MOFs
¿Cómo predice un iPhone la siguiente palabra que vas a escribir en tus mensajes? La tecnología que hay detrás de todo esto, y que también está en el núcleo de muchas aplicaciones de IA, se llama transformador, un algoritmo de aprendizaje profundo que detecta patrones en conjuntos de datos.
Un servidor informático transformado por MOF
Kevin Jablonka (EPFL), CC BY-SA 4.0
Ahora, investigadores de la EPFL y el KAIST han creado un transformador para marcos metal-orgánicos (MOF), una clase de materiales cristalinos porosos. Combinando enlazadores orgánicos con nodos metálicos, los químicos pueden sintetizar millones de materiales distintos con aplicaciones potenciales en el almacenamiento de energía y la separación de gases.
El "MOFtransformer" está diseñado para ser el ChatGPT de los investigadores que estudian los MOF. Su arquitectura se basa en una IA llamada Google Brain que puede procesar lenguaje natural y constituye el núcleo de modelos lingüísticos populares como GPT-3, el predecesor de ChatGPT. La idea central de estos modelos es que están preentrenados en una gran cantidad de texto, de modo que cuando empezamos a escribir en un iPhone, por ejemplo, modelos como éste "conocen" y autocompletan la siguiente palabra más probable.
"Queríamos explorar esta idea para los MOF, pero en lugar de sugerir una palabra, queríamos que sugiriera una propiedad", explica el profesor Berend Smit, que dirigió el proyecto en la EPFL. "Entrenamos previamente el MOFTransformer con un millón de MOF hipotéticos para aprender sus características esenciales, que representamos como una frase. A continuación, se entrenó al modelo para que completara esas frases y diera las características correctas del MOF".
A continuación, los investigadores afinaron el MOFTransformer para tareas relacionadas con el almacenamiento de hidrógeno, como la capacidad de almacenamiento de hidrógeno, su coeficiente de difusión y la brecha de banda del MOF (una "barrera de energía" que determina la facilidad con la que los electrones pueden moverse a través de un material).
El método demostró que el MOFTransformer podía obtener resultados utilizando muchos menos datos que los métodos convencionales de aprendizaje automático, que requieren muchos más datos. "Gracias al preentrenamiento, el MOFTtransformer ya conoce muchas de las propiedades generales de los MOF y, gracias a ello, necesitamos menos datos para entrenar otra propiedad", explica Smit. Además, se puede utilizar el mismo modelo para todas las propiedades, mientras que en el aprendizaje automático convencional hay que desarrollar un modelo distinto para cada aplicación.
El MOFTransformer cambia las reglas del juego en el estudio de los MOF, ya que proporciona resultados más rápidos con menos datos y una comprensión más completa del material. Los investigadores esperan que el MOFTransformer allane el camino para el desarrollo de nuevos MOF con propiedades mejoradas para el almacenamiento de hidrógeno y otras aplicaciones.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
