Modelo Darwin: un modelo grande para ciencia de materiales, química y física 121

El modelo Darwin es un modelo de lenguaje grande (LLM) diseñado específicamente para el campo de las ciencias naturales (especialmente física, química y ciencia de materiales), que mejora la eficacia de los modelos de lenguaje en la investigación científica mediante la integración de conocimiento científico estructurado y no estructurado.

Funciones de Darwin:

• Diseño de materiales: el modelo Darwin es capaz de diseñar nuevos materiales por sí mismo, analizando las propiedades y el rendimiento de los materiales, prediciendo su comportamiento en diferentes condiciones, acelerando así el descubrimiento y desarrollo de materiales.

• Preguntas y respuestas científicas: el modelo integra una gran cantidad de datos de preguntas y respuestas científicas, capaz de proporcionar información y respuestas precisas en la investigación científica, ayudando a los investigadores a obtener rápidamente los conocimientos necesarios.

• Análisis de datos: el modelo Darwin puede procesar y analizar datos científicos complejos, reconocer patrones y tendencias en los datos y respaldar el proceso de toma de decisiones en la investigación científica.

• Investigación interdisciplinaria: gracias a su potente capacidad de procesamiento del lenguaje, el modelo Darwin puede fomentar la colaboración entre distintas disciplinas e impulsar el progreso de la investigación interdisciplinaria.

Características técnicas:

• Fusión multidisciplinaria: Darwin integra conocimientos de múltiples campos como la física, la química y la ciencia de materiales, y es capaz de abordar tareas complejas interdisciplinarias.

• Generación de instrucciones científicas (SIG): mediante la generación automatizada de datos de instrucciones a partir de textos científicos, se reduce la dependencia del etiquetado manual y de los grafos de conocimiento del dominio, lo que mejora significativamente la eficiencia y la precisión del modelo.

• Aprendizaje multitarea: Darwin adopta una estrategia de entrenamiento multitarea que revela las conexiones internas entre tareas científicas, mejorando así la capacidad de generalización y el rendimiento del modelo.

• Código abierto y escalabilidad: Darwin se basa en el modelo LLaMA de código abierto, admite contribuciones y extensiones de la comunidad y permite incorporar灵活 nuevos módulos de conocimiento en el futuro.

Rendimiento del modelo:

• Supera a GPT-4: en tareas de preguntas y respuestas científicas y resolución de problemas químicos, el modelo Darwin 7B supera a GPT-4 y a GPT-3.5 ajustado.

• Resultados SOTA: en las tareas de ciencia de materiales de MatBench, Darwin alcanzó resultados de vanguardia (SOTA) en la predicción de brechas experimentales y en tareas de clasificación de metales, superando a modelos de aprendizaje automático específicos.

• Estrategia de entrenamiento en dos fases: Darwin 1.5, mediante el ajuste fino en QA y el aprendizaje multitarea, mejora significativamente el rendimiento del modelo en tareas de predicción de propiedades de materiales, con una mejora máxima del 60%.

Escenarios de aplicación:

• Revisión y análisis de literatura: ayuda a los investigadores a revisar rápidamente grandes volúmenes de literatura científica y extraer información clave.

• Optimización del diseño experimental: ofrece recomendaciones de optimización de parámetros experimentales mediante el análisis de datos históricos de experimentos.

• Diseño y predicción de materiales: admite la predicción, clasificación y diseño inverso de propiedades de materiales, acelerando el descubrimiento de nuevos materiales.

• Apoyo educativo: actúa como asistente inteligente en la educación científica, proporcionando orientación de aprendizaje personalizada y resolviendo dudas.

La versión más reciente del modelo Darwin, Darwin 1.5, refuerza aún más su capacidad de aplicación en el campo de la ciencia de materiales. Esta versión integra datos más completos de preguntas y respuestas científicas y tareas de ciencia de materiales, mejorando la precisión y la eficiencia del modelo en la predicción y el descubrimiento de propiedades de materiales. Además, Darwin 1.5 adopta el marco de ajuste fino basado en interfaz lingüística (LIFT), lo que hace que el modelo sea más eficiente y flexible a la hora de abordar problemas científicos complejos.

En aplicaciones prácticas, el modelo Darwin no se limita al diseño de materiales, sino que también puede emplearse en campos biomédicos como el desarrollo de fármacos y el diagnóstico de enfermedades, mostrando su potencial interdisciplinario. Mediante la integración profunda con literatura científica y conjuntos de datos, el modelo Darwin puede ofrecer a los investigadores un soporte científico más preciso e impulsar el avance del descubrimiento científico.

El modelo Darwin fue desarrollado en colaboración por ai4Science de la Universidad de Nueva Gales del Sur (UNSW) y GreenDynamics AI. Es un proyecto de código abierto centrado en el preentrenamiento y el ajuste fino del modelo LLaMA para mejorar su desempeño en el ámbito científico. Su objetivo principal es acelerar el proceso de descubrimiento científico mediante métodos automatizados impulsados por inteligencia artificial y reducir la dependencia de modelos de IA de código cerrado.

Repositorio de código de Darwin:https://github.com/masterai-eam/darwin