Повече от век учените разчитат на кристалографията - анализ на рентгеновите дифракционни модели - за да разкрият атомните структури на материалите. Този метод направи революция в области от медицината до материалознанието, като стана известен с откриването на двойната спирала на ДНК.

Въпреки това кристалографията има един устойчив недостатък: тя работи най-добре с големи, чисти кристали. Когато са налични само миниатюрни, несъвършени нанокристали, методът се оказва неуспешен и структурата на безброй материали остава неизвестна.

Изследователите от Колумбийския университет използват машинно обучение, за да отстранят тези постоянни проблеми. Техният нов алгоритъм позволява да се реконструира атомната структура на материалите от влошени дифракционни модели на фрагменти от нанокристали. Подвигът, който преди това се е смятал за невъзможен, се сбъдва.

„ИИ реши този проблем, като научи всичко, което можеше, от база данни с много хиляди известни, но несвързани структури“, казва Саймън Билинг, професор по материалознание и приложна физика и приложна математика в Колумбийския университет по инженерство.

„Точно както ChatGPT научава моделите на езика, ИИ моделът научи моделите на атомни подредби, които природата позволява.“

Традиционните техники за рентгенова дифракция разчитат на девствени, големи кристали, за да генерират ясни дифракционни модели, богати на атомна информация. Когато изследователите се ограничават до прахове или суспензии от нанокристали, моделите са твърде деградирали, за да се определи структурата с помощта на конвенционалните методи.

Този недостатък възпрепятства напредъка в области, вариращи от разработване на лекарства и технология на батерии до археология, където често са налични само малки или повредени образци.

Екипът на Колумбийския университет се обръща към дифузионното генеративно моделиране - техника на изкуствения интелект, популяризирана от генератори на изображения като Midjourney и Sora. Те обучават модела си върху набор от данни от 40 000 известни атомни структури, като умишлено разбъркват реда на тези структури, за да научат ИИ как да създава смислен ред от хаоса.

По време на обучението ИИ се научил да свързва лошо разрешени дифракционни данни с най-вероятните атомни подредби, като по време на обучението и реконструирането на фигурите станал свидетел на безброй кристални структури. Тези конструкции бяха допълнително шлифовани в процес, наречен "Рафиниране на Ритвелд", който ги приведе в по-точно съответствие с дифракционните данни.

„От предишна работа знаехме, че дифракционните данни от нанокристали не съдържат достатъчно информация, за да дадат резултат“, казва Билинг. „Алгоритъмът използва знанията си за хиляди несвързани структури, за да допълни данните от дифракцията.“

„Предизвикателството на праховата кристалография е проблем, сроден на известния проблем със сгъването на белтъците, при който формата на молекулата се получава непряко от линеен подпис на данни“, казва Ход Липсън, който заедно с Билинг предлага изследването.

Проектът има специално значение за Липсън, чийто дядо Хенри Липсън е пионер в ранните техники на изчислителната кристалография преди близо век.

„Това, което особено ме вълнува, е, че със сравнително малко предварителни познания по физика или геометрия ИИ е успял да се научи да решава загадка, която е озадачавала човешките изследователи в продължение на един век. Това е знак за предстоящи неща за много други области, изправени пред дългогодишни предизвикателства“, каза той.

Алгоритъмът успешно реконструира атомните структури на нанокристали, които преди това са затруднили изследователите. Постижението представлява голяма крачка напред, която може да отключи иновации в многобройни области, които разчитат на структурен анализ.

Снимка: Unsplash

Виж още: Ето колко време ще трябва да чакате, за да си купите новите умни очила на Google