Новий загальнодоступний інструмент, розроблений дослідниками Інженерної школи Університету Торонто, спрямований на революцію в підході вчених до світу металоорганічних каркасів (MOF), що швидко розвивається. Ціновані за свою надвисоку площу поверхні та регульовану хімію, ці універсальні матеріали мають величезний потенціал у таких сферах, як доставка ліків, каталіз та уловлювання вуглецю. Однак підтримання темпів прискорення обсягу досліджень MOF стало серйозною проблемою, яку цей новий інструмент під назвою MOF-ChemUnity безпосередньо вирішує.
Перспективи та складність MOF
Металоорганічні каркаси виділяються завдяки своїй винятковій площі поверхні — деякі варіанти демонструють до 7000 м²/г, тобто один грам містить достатню внутрішню поверхню, щоб покрити футбольне поле. Ця унікальна структура дозволяє використовувати їх у широкому діапазоні застосувань. MOF можуть діяти як молекулярні сита, вибірково відокремлюючи вуглекислий газ із газових сумішей, або як датчики, виявляючи слідові кількості молекул. Їхні каталітичні властивості можуть прискорити промислові реакції, а пориста структура дозволяє контролювати вивільнення ліків.
Важливість MOF нещодавно підкреслила Нобелівська премія з хімії 2025 року. Однак саме зростання досліджень, які охоплюють понад 25 областей застосування, створило вузьке місце в знаннях, що перешкоджає роботі як вчених, так і інструментів ШІ, призначених для їх підтримки.
Представляємо MOF-ChemUnity: структурований графік знань
Команда професора Мохамада Мусаві з кафедри хімічної інженерії та прикладної хімії та Інституту Вектор розробила MOF-ChemUnity для подолання цієї проблеми. Інструмент функціонує як структурований, масштабований граф знань, який систематично витягує та зв’язує інформацію з наукових статей MOF, репозиторіїв кристалічної структури та обчислювальних баз даних.
В основі MOF-ChemUnity — багатоагентна модель великої мови (LLM), яка пов’язує хімічні назви в науковій літературі з їхніми відповідними кристалічними структурами. Це дозволяє представити процедури синтезу, властивості матеріалів і потенційні застосування в узгодженому машиночитаному форматі.
«Наукове відкриття починається з читання та узагальнення літератури, але це залишається одним із найскладніших кроків для автоматизації», — пояснює Мусаві. «MOF-ChemUnity створює єдину основу, на якій можуть будувати як дослідники, так і системи ШІ».
Зменшення «галюцинацій» штучного інтелекту за допомогою науково обґрунтованої літератури
Команда продемонструвала вплив своєї системи, інтегрувавши граф знань із LLM для створення помічника ШІ для MOF на основі літератури. На відміну від стандартних систем штучного інтелекту, які мають тенденцію генерувати правдоподібні, але неправильні твердження («галюцинації»), цей помічник покладається на перевірені експериментальні та обчислювальні дані.
У сліпих тестах, проведених експертами MOF, відповіді асистента незмінно оцінювалися як більш точні, зрозумілі та надійні, ніж відповіді базових LLM, таких як GPT-4o. Завдяки обґрунтуванню відповідей штучного інтелекту в кураторській та пов’язаній літературі система значно знижує ризик ненадійних наукових міркувань.
«Цей підхід зменшує галюцинації, що є однією з головних перешкод для застосування великих мовних моделей у наукових галузях», — каже Мусаві».
Відкритий доступ і майбутні наслідки
Команда Університету Торонто під керівництвом Мусаві, а також ключових учасників Томаса Пруйна та Амро Асвада опублікувала набір даних і код на GitHub, сприяючи подальшому прогресу в матеріалознавстві та дослідженнях на основі ШІ.
Мусаві розглядає MOF-ChemUnity як крок до ширших змін в організації та доступу до наукових знань. Інструмент руйнує бар’єри в дослідженнях, дозволяючи системам штучного інтелекту обробляти дані в різних областях, перевершуючи можливості дослідників-людей.
«Люди-дослідники обмежені кількістю документів, які вони можуть прочитати, але MOF-ChemUnity робить перший крок до того, щоб системи ШІ могли обробляти дані в різних галузях. Це створює нову парадигму для літературних відкриттів».
Ця робота не тільки прискорює відкриття матеріалів, але й закладає основу для узагальнених систем знань, які можуть революціонізувати дослідження в різних наукових дисциплінах.
