AI z DeepMindu mění chemii: Nová metoda vidí celou molekulu a urychlí vývoj léků i baterií

Vědci z Google DeepMind v Berlíně, BIFOLD a Technické univerzity v Berlíně představili převratnou metodu strojového učení nazvanou Euclidean Fast Attention (EFA). Tato inovace umožňuje mnohem efektivněji reprezentovat globální atomové interakce v komplexních chemických systémech.

Vědci z Google DeepMind v Berlíně, BIFOLD a Technické univerzity v Berlíně představili převratnou metodu strojového učení nazvanou Euclidean Fast Attention (EFA). Tato inovace umožňuje mnohem efektivněji reprezentovat globální atomové interakce v komplexních chemických systémech. Na rozdíl od předchozích přístupů, které se zaměřovaly převážně na bezprostřední okolí atomu, dokáže EFA přímo zahrnout i vzdálené oblasti molekuly.

Přesné pochopení a výpočet pohybu a interakcí atomů v molekulách je zásadní pro moderní vývoj léků, design nových materiálů a efektivních katalyzátorů. Současné výpočetní metody však často narážejí na své limity u větších molekul, které obsahují stovky až tisíce atomů. Modelování atomárních systémů je náročné, protože každý atom je ovlivňován silami mnoha dalších atomů, včetně těch vzdálených, což vytváří vysoce komplexní systém, kde i malé změny na jednom místě mohou ovlivnit chování celé molekuly.

Klíčovou roli v tomto procesu hraje koncept „self-attention“ v moderním strojovém učení, který umožňuje modelům posoudit důležitost jednotlivých informací v kontextu všech ostatních a zachytit tak vzdálené vztahy. S rostoucím počtem atomů však počet relevantních interakcí roste přibližně s druhou mocninou počtu atomů. To činí použití „self-attention“ pro přesné modelování fyzikálních systémů extrémně výpočetně náročným a omezuje velikost atomárních struktur, které lze simulovat. Nová metoda EFA tento problém řeší a otevírá cestu k přesnějším simulacím chemických a materiálových procesů. To by mohlo zásadně urychlit vývoj nových léků, efektivnějších baterií a udržitelnějších materiálů.