Accueil - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle. Le programme novateur d’intelligence artificielle de Standford recrée le tableau périodique.

Le programme novateur d’intelligence artificielle de Standford recrée le tableau périodique.

0
0
89

Stanford University

Imaginez pouvoir utiliser le pouvoir de l’intelligence artificielle pour inventer de nouveaux matériaux susceptibles de révolutionner de nombreux secteurs tels que l’industrie pharmaceutique, la biotechnologie, l’électronique, les plastiques, les semi-conducteurs, le verre, l’énergie, les nanotechnologies, les alliages métalliques, les matériaux composites, la céramique et l’optique. , et beaucoup plus. En 2018, des physiciens pionniers de l’Université Stanford de Palo Alto, en Californie, ont annoncé dans PNAS (Actes de l’Académie nationale des sciences des États-Unis d’Amérique) la création d’un nouveau programme d’IA (Atom2Vec) capable de recréer le tableau périodique d’éléments – un premier pas important vers la création d’une IA capable de découvrir de nouvelles lois de la nature et d’inventer de nouveaux matériaux et composés [1]. Atom2Vec a pu atteindre cet objectif en quelques heures à peine, comparé aux nombreux siècles que cela a pris pour l’homme [2]. Cet objectif a été atteint grâce à une approche interdisciplinaire de l’IA – appliquant des concepts linguistiques à la science des matériaux.

Il a fallu près d’un siècle d’essais et d’erreur pour que les scientifiques puissent organiser le tableau périodique des éléments, sans doute l’une des plus grandes réalisations scientifiques de la chimie, dans sa forme actuelle. Un nouveau programme d’intelligence artificielle (IA) mis au point par des physiciens de Stanford a accompli le même exploit en quelques heures seulement. Appelé Atom2Vec, le programme a appris à distinguer les différents atomes après avoir analysé une liste de composés chimiques.
Noms d’une base de données en ligne. L’intelligence artificielle non supervisée a ensuite utilisé des concepts empruntés au traitement du langage naturel – en particulier l’idée selon laquelle les propriétés des mots peuvent être comprises en regardant d’autres mots qui les entourent – pour regrouper les éléments en fonction de leurs propriétés chimiques.

«Nous voulions savoir si une IA peut être assez intelligente pour découvrir seule un tableau périodique, et notre équipe a montré qu’elle le pouvait», a déclaré le responsable de l’étude, Shoucheng Zhang, professeur de physique JG Jackson et CJ Wood à la Stanford School of Humanities. et sciences.

Les physiciens de Stanford ont appliqué l’hypothèse de Zellig S. Harris sur la structure distributionnelle du langage en atomes plutôt qu’en mots. Le concept linguistique de Harris met en avant l’idée que les classes de base des entités de langage peuvent être regroupées par comportement distributionnel car elles ont généralement des propriétés distributionnelles similaires. Pour illustrer l’idée de Harris, le mot «tante» est associé à «femme» et «oncle» à «homme». Un vecteur possible pour «tante» peut être décrit comme «tante égale oncle moins homme plus femme». En s’appuyant sur cette analogie linguistique, l’équipe de recherche a créé Atom2Vec avec des concepts tirés de Google Word2Vec, un réseau de neurones à deux couches pour l’analyse du langage naturel [3].

Les physiciens ont utilisé «des vecteurs d’atomes comme unités d’entrée de base pour les réseaux de neurones et d’autres modèles ML conçus et formés pour prévoir les propriétés des matériaux». Atom2Vec est basé sur la conversion d’unités de données de base en vecteurs mathématiques que le programme d’IA apprend au moyen de modèles de reconnaissance. Par exemple, Atom2Vec a pu apprendre que le sodium et le potassium ont des propriétés similaires basées sur la propriété partagée de liaison au chlore.

Cette première itération d’Atom2Vec reposait sur un apprentissage automatique non supervisé. Cela signifie que l’algorithme a été alimenté avec des données d’entrée non étiquetées sans aucune variable de sortie correspondante, l’objectif de l’algorithme étant d’apprendre la structure inhérente à partir des données d’entrée. Pour la prochaine version, l’équipe s’appuiera sur la percée réalisée par l’IA pour recréer le tableau périodique des éléments afin de développer de futurs traitements pour les patients cancéreux avec une approche d’apprentissage automatique plus supervisée. L’objectif global d’Atom2Vec 2.0 est d’identifier les anticorps optimaux présentant le moins de toxicité et d’efficacité maximale pour attaquer les antigènes des cellules cancéreuses. Dans le but de trouver de nouvelles solutions pour les traitements d’immunothérapie du cancer, les chercheurs envisagent de mapper les gènes sur un vecteur mathématique afin d’organiser plus de 10 millions d’anticorps dans le corps humain. L’avenir d’Atom2Vec s’étendra à plusieurs disciplines, du domaine de la chimie à la biologie, à l’oncologie, à l’immunothérapie et à la médecine.

Copyright © 2018 Cami Rosso All rights reserved.

stanford.edu

Source :

 Post Views: 114
Charger d'autres articles liés
Charger d'autres écrits par JC-GIROUD
Charger d'autres écrits dans - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle.

Laisser un commentaire

Consulter aussi

SK Lubrifiants va développer sa marque de lubrifiants ZIC.

    Citant la volatilité du marché des huiles de base, SK Lubricants, qui produi…