Un nou instrument open-access navighează lumea în expansiune a structurilor metal-organice pentru o descoperire mai ușoară
O echipă de cercetători de la Universitatea din Toronto a creat un instrument open-access destinat organizării și sintetizării cunoștințelor despre cadrele metal-organice (MOFs) – un tip de material cu aplicații în livrarea de medicamente, cataliză, captarea carbonului și multe altele. Acest instrument, denumit MOF-ChemUnity, oferă o modalitate sistematică de a gestiona informațiile legate de aceste structuri complexe, facilitând accesul la date esențiale pentru cercetători și aplicații tehnologice.
Versatilitatea structurilor metal-organice
Structurile metal-organice (MOFs) se disting printr-o suprafață extrem de mare și chimie precis ajustabilă. Unele dintre acestea pot atinge suprafețe de până la 7.000 m²/g, ceea ce înseamnă că un gram din acest material poate acoperi o întreagă teren de fotbal. Această caracteristică unică părăsește deschiderea unui spectru larg de aplicabilitate. De exemplu, anumite MOFs pot fi utilizate ca situri moleculare, capând dioxidul de carbon din alte gaze pentru a fi captat și stocat, în timp ce altele sunt capabile să detecteze molecule la concentrații extrem de mici.
Provocarea unei baze de cunoștințe în expansiune
Pe măsură ce interesul pentru MOFs crește în mai mult de 25 de domenii de aplicație, gestionarea rapidă a volatilității cunoștințelor devine tot mai provocatoare. O echipă condusă de profesorul Mohamad Moosavi din Departamentul de Inginerie Chimică și Chimie Aplicată, împreună cu Institutul Vector, a dezvoltat MOF-ChemUnity pentru a aborda această provocare. Această platformă permite cercetătorilor să acceseze rapid informațiile relevante fără a fi nevoiți să parcurgă un volum imens de literature de specialitate.
Un model structural al cunoștințelor despre MOF-uri
MOF-ChemUnity folosește un grafic de cunoștințe structurat care extrage și leagă informații din lucrări de cercetare, depozite de structuri cristaline și baze de date de materiale computaționale. La baza sistemului se află un flux de lucru bazat pe un model de limbaj mare (LLM) care asigură conectarea numelui chimic din literatură la structurile cristaline corecte. Acest lucru permite ca procedurile de sinteză, proprietățile materialelor și aplicațiile potențiale să fie reprezentate într-un format consistent, care este ușor de citit de către mașini.
Reducerea erorilor în AI prin ancorarea în literatură
Impactul sistemului a fost demonstrat prin integrarea graficului de cunoștințe cu modele de limbaj mare pentru a construi un asistent AI informat de literatură pentru MOFs. Asistentul nu produce doar explicații plauzibile, dar incorecte, ci se bazează pe date verificate, extrase din înregistrări experimentale și computaționale. Evaluările efectuate de experți în MOF de la mai multe instituții au arătat că răspunsurile asistentului sunt considerate mai precise, ușor de interpretat și demne de încredere comparativ cu cele furnizate de LLM-uri standard, precum GPT-4.
Un fundament pentru viitoarele descoperiri în materiale
Echipa de la Universitatea din Toronto, formată din Moosavi și studenții săi absolvenți, Thomas Pruyn și Amro Aswad, care au fost contribuabili cheie, au făcut public datasetul și codul pe GitHub pentru a sprijini continuarea progreselor în știința materialelor și în cercetarea asistată de AI. Moosavi a declarat că proiectul deschide noi orizonturi în organizarea și accesarea cunoștințelor științifice, facilitând astfel un acces mai mare și mai rapid la informațiile necesare cercetătorilor.
“Această muncă va ajuta la eliminarea barierelor în cercetarea științifică și va pregăti terenul pentru sisteme AI care pot procesa date din multiple domenii,” a adăugat Moosavi. “MOF-ChemUnity reprezintă primul pas spre un nou paradigm al descoperirii informate de literatură, vizionând un viitor în care sisteme de cunoștințe generalizate pot accelera cercetarea în diverse domenii.”
