Az AI önállóan tanulhatta meg a kémiai kötés fogalmát

A modell nem kapott külön magyarázatot a kémiai kötésekről

A kémiai kötések meghatározzák, hogyan alakulnak ki a molekulák, miként viselkednek az anyagok, és hogyan zajlanak a kémiai reakciók. A vegyészek több mint egy évszázada használják ezt a fogalmat az olyan jelenségek magyarázatára, amelyek a gyógyszerektől és akkumulátoroktól az erősebb betonon át a tisztább energiatechnológiákig terjednek.

Az USC Viterbi Mork Family Department of Chemical Engineering & Materials Science és Thomas Lord Department of Computer Science kutatói azt vizsgálták, hogy egy nagy AI-modell képes-e elsajátítani ezt az alapvető tudományos fogalmat. Ken-ichi Nomura, az intézmény vegyészmérnöki és anyagtudományi gyakorlatának docense, valamint Aiichiro Nakano, a számítástechnika, a fizika és csillagászat, továbbá a biológiai tudományok professzora vezette a munkát. Eredményeiket a Nature Communications folyóiratban publikálták.

A vizsgált Allegro-FM modellt korábban arra tanították, hogy megjósolja az atomok közötti kölcsönhatásokat meghatározó kvantummechanikai energiákat és erőket. A rendszer 89, a periódusos rendszerben szereplő elem atomjai közötti kölcsönhatásokat is képes szimulálni. A kutatók szerint a modell nem kapott külön oktatást arról, mi a kémiai kötés, és nem tanították neki a kötések energiájára vonatkozó adatokat sem.

Új módszerrel vizsgálták a modell belső működését

Az atomok közötti energiákra adott pontos előrejelzések önmagukban még nem mutatták meg, hogy a modell valóban elsajátított-e egy tudományos fogalmat. Elképzelhető lett volna az is, hogy csupán statisztikai kapcsolatokat tanult meg felismerni. A kérdést nehezítette, hogy a modern AI-modelleket gyakran fekete dobozként írják le: a kutatók látják a kimeneteiket, de rendszerint nem tudják közvetlenül megfigyelni, mit tanultak meg belül, illetve hogyan jutottak el az eredményhez.

A kutatók ezért kidolgozták az Edge-wise Emergent Energy Decomposition, röviden E3D nevű elemzési keretrendszert. Nakano ezt a számítógépes képalkotáshoz hasonlítja. A módszer azt követi, hogyan áramlik az információ a modellen belül, miközben az tanul, majd megvizsgálja, hogyan osztja el az AI az energiát a szomszédos atomok között.

Az E3D elemzése szerint az Allegro-FM önállóan sajátított el egy átvihető kémiaikötés-fogalmat. A kutatók értelmezése alapján a modell ezt nem konkrét kötési energiák vagy kötéssípusok megjegyzésével érte el, hanem a kvantummechanikai adatok mögött meghúzódó összefüggés kikövetkeztetésével.

A kutatók szerint ez a tudományos felfedezések felé mutathat

A következtetés ellenőrzésére a kutatók a modell belső számításait használták a kötésdisszociációs energiák becslésére. Ez az az energia, amely egy kémiai kötés megszakításához szükséges. A becslések szorosan egyeztek a kísérletileg meghatározott értékekkel, noha az Allegro-FM-et nem kötések energiájára vonatkozó adatokkal tanították.

A tanulmány jelentősége a kutatók szerint túlmutat a pontosabb előrejelzéseken. Egy előrejelzés azt mutatja meg, mi történhet, egy tudományos fogalom pedig azt is segíthet megérteni, miért történik meg, és új rendszerekre is alkalmazható lehet. Aiichiro Nakano szerint az AI már képes megválaszolni azt, ami ismert, a következő kérdés viszont az, hogy segíthet-e új dolgok felfedezésében.

A kutatás egy lehetséges magyarázatot kínál arra is, miért válnak a nagyobb, nagyobb adathalmazokon tanított modellek új algoritmus nélkül is jelentősen képessé. A kutatók szerint a modellek méretnövekedésével absztrakt tudományos fogalmak jelenhetnek meg bennük, nem pusztán egyre több példa tárolódhat. Nomura szerint először azt kell megérteni, hogyan jelenít meg az AI egy tudományos fogalmat, majd azt, hogyan kapcsolódnak ezek a fogalmak egymáshoz. Ez teremtheti meg a későbbi, új felfedezéseket célzó kutatások alapját.

A tanulmányt 2026. augusztus 18-án tették közzé, és ugyanazon a napon frissítették az USC Viterbi közleménye szerint.