AI-agenter gør det lettere for kemikere at simulere materialer på GPU
Værktøjet gør det muligt at gå fra naturligt sprog til GPU-accelererede workflows for maskinlæringsbaserede interatomare potentialer i PyTorch.
Læs i dit tempo
Kort
AI-agenter kan nu skrive korrekt kode til materialsimuleringer med et nyt NVIDIA-værktøj. Det hjælper forskere med at bruge maskinlæring i kemi uden at skulle programmere alt selv. Eksperter skal dog stadig validere resultaterne for at sikre, at de er fysisk korrekte.
Begynder
Forestil dig en bro mellem en forskers idéer og kompleks computerkode. Det er præcis det, NVIDIA ALCHEMI Toolkit gør. Det hjælper kunstig intelligens (AI) med at skrive kode til materialsimuleringer, som er digitale forsøg, der viser, hvordan atomer opfører sig. I 45 forskellige forløb, kaldet pipelines, lykkedes det AI'en at simulere ting som lithiums bevægelse i et materiale og hvordan ilt binder sig til kobber. Testene blev kørt på NVIDIA H200 Graphics Processing Units (GPU), som er ekstremt kraftige computerchips til tunge beregninger.
Værktøjet er skabt til Machine Learning Interatomic Potentials (MLIP), som er AI-modeller, der kan forudsige, hvordan atomer påvirker hinanden. For at gøre processen hurtigere bruger det en teknik kaldet »in-flight batching«, hvilket fungerer som et smart transportbånd, der behandler mange opgaver samtidig. For mange forskere har disse AI-modeller været svære at bruge, fordi de kræver andre »software-stacks« – altså en anden samling af digitale værktøjer, end de er vant til. AI-agenter løser dette ved at oversætte forskerens egne beskrivelser direkte til kode.
Selvom AI'en er dygtig, kan den ikke selv vurdere, om et resultat er fysisk sandsynligt i den virkelige verden. Derfor er den menneskelige forsker stadig nødvendig. Nogle modeller, som for eksempel MACE-MPA-0, kan være mindre præcise, når de bliver brugt til ting, de ikke er trænet i. Resultaterne skal derfor tjekkes mod rigtige eksperimenter eller data fra Density Functional Theory (DFT), som er en meget præcis standardmetode til at beregne atomer. Selvom detaljerne i den instruktion, man giver AI'en – kaldet en prompt – ændrer på, hvordan koden bliver bygget, er de fysiske resultater korrekte i forhold til kendte referencer.
Vil du have et eksempel på, hvordan en prompt til en AI-agent kunne se ud i denne sammenhæng?
45 forskellige pipelines viser, at AI-agenter kan generere korrekt kode til materialsimulering med NVIDIA ALCHEMI Toolkit. Tests på NVIDIA H200 GPU'er dækker blandt andet lithium-selvdiffusion og ilt-adsorption på kobber. Detaljerne i en prompt påvirker, hvordan koden bliver struktureret, men resultaterne er fysisk korrekte i forhold til etablerede referencer.
ALCHEMI Toolkit er skabt til maskinlæringsbaserede interatomare potentialer (MLIP). Det anvender PyTorch-native byggeklodser til at skabe GPU-accelererede workflows med in-flight batching. Værktøjet fungerer som en bro mellem naturligt sprog og den faktiske simulationskode.
MLIP-økosystemet er stadig nyt og svært tilgængeligt for beregningskemikere. De eksisterende grænseflader kører på andre software-stacks end dem, fagfolk er vant til, hvilket gør det svært at komme i gang. AI-agenter løser dette ved at skrive koden ud fra forskerens egne tekniske beskrivelser.
Videnskabelig vurdering er stadig nødvendig, da AI-agenter ikke selv kan verificere, om en simulation er fysisk plausibel. Modeller som MACE-MPA-0 har varierende nøjagtighed, når de bruges uden for deres træningsområder. Forskeren skal derfor validere resultaterne mod eksperimentelle data eller DFT-data.
Kilder
- How AI Coding Agents Can Unlock Materials Simulation with NVIDIA ALCHEMI Toolkit developer.nvidia.com
Produktionshistorie
- Radar Signal ? af 100 · spredning 1 kilder
- Vurdering Nyheds 4/5 — Nyt toolkit fra NVIDIA til AI-kodningsagenter.
- Skrevet Model: mimo-v2.5-free · temperatur 0.4
- Overskrift 5 kandidater, valgt af chat.dk
- Vedtagelse ainews-auto-v3 · score 0.4331