26.09.2025 Экспертиза, Искусственный интеллектТеоретически, материаловедение должно идеально подходить для искусственного интеллекта. Эта область основана на данных — бандгапе, кристаллических структурах, кривых электропроводности — тех измеримых и воспроизводимых величинах, которые так нравятся машинам. Однако на практике бóльшая часть этих данных труднодоступна. Они разбросаны по десятилетиям научных работ, заключены в подписях к рисункам, химических формулах и тексте, который был написан для людей, а не для машин. Поэтому, когда ученые пытаются создать инструменты ИИ для решения реальных задач материаловедения, они часто сталкиваются с проблемами, сообщает портал BigDATAwire. Группа исследователей из Кембриджского университета, работающих в сотрудничестве с Аргоннской национальной лабораторией Министерства энергетики США (DOE), вплотную занялась этой проблемой. Группа под руководством профессора Жаклин Коул разработала конвейер, который извлекает структурированные материалы из журнальных статей и преобразует их в высококачественные наборы данных «вопросы-ответы». Используя такие инструменты, как ChemDataExtractor, и предметно-ориентированные модели, такие как MechBERT, они создают системы ИИ, которые учатся непосредственно на тех же материалах исследований, на которые опираются ученые-люди. Этот проект является частью более длительного сотрудничества между лабораторией Коула и Аргоннской национальной лабораторией. Команда начала сотрудничать с Argonne Leadership Computing Facility (ALCF) в 2016 г. в рамках одного из ...
читать далее.
