PRISMat: новая ИИ-модель предсказывает свойства материалов в 4 раза точнее LLM

Ученые разработали PRISMat — новую модель машинного обучения для быстрого поиска материалов с заданными свойствами. В отличие от тяжеловесных языковых моделей, PRISMat требует меньше вычислительных ресурсов и работает быстрее.

Модель использует перестановочно-инвариантный подход, что позволяет ей эффективно обрабатывать кристаллические структуры. Это решает проблему, с которой сталкиваются LLM: они перегружены параметрами и плохо адаптируются к задачам генерации материалов.

Результаты тестирования показали, что PRISMat превосходит современные LLM в задачах прогнозирования энергии расщепления и работы выхода кристаллических поверхностей. Средняя абсолютная ошибка составила 0.188 эВ/?? для энергии расщепления и 2.79 эВ для работы выхода, что в 4 раза лучше, чем у ближайшего конкурента.

Эффективность PRISMat открывает возможности для высокопроизводительного скрининга кандидатов на стабильные материалы. Это может сократить число экспериментов, требующих дорогого синтеза, и ускорить открытие новых материалов для электроники, катализа и энергетики.

Авторы подчеркивают, что модель не только точнее, но и значительно быстрее: время инференса меньше, чем у LLM. Это делает её пригодной для задач, где нужно обрабатывать тысячи структур.

Работа опубликована на arXiv и представляет шаг к практическому применению ИИ в материаловедении.