Low-data machine learning for chemo- and

Sztuczna inteligencja (AI) rewolucjonizuje współczesne badania naukowe, usprawniając proces odkrywania i umożliwiając jego realizację w sposób bardziej efektywny czasowo i kosztowo. Zastosowanie metod sztucznej inteligencji w domenach naukowych wiąże się jednak z ograniczeniami wynikającymi ze specyfiki danych naukowych. Jednym z istotnych wyzwań jest ograniczona dostępność wysokiej jakości danych treningowych, co stwarza konieczność stosowania metod uczenia z niewielką liczbą przykładów (ang. few-shot learning).

Niniejsze badania koncentrują się na analizie tych technik w kontekście modelowania molekularnego, z wykorzystaniem zróżnicowanych zbiorów danych obejmujących właściwości fizykochemiczne, toksyczność, właściwości kwantowo-chemiczne oraz procesy sorpcji. Istotnym kierunkiem badań jest również zastosowanie metod wykorzystujących wiedzę fizyczną, w szczególności sieci neuronowych uwzględniających wiedzę fizyczną (ang. physics-informed neural networks, PINN). W podejściach tych znane zależności fizyczne są wykorzystywane w celu usprawnienia procesu uczenia sieci neuronowych. W zależności od przyjętej metodologii mogą one być uwzględniane na etapie wstępnego przetwarzania danych, bezpośrednio w funkcji kosztu lub poprzez zastosowanie metod nakładających ograniczenia fizyczne na wyniki uzyskiwane przez właściwą sieć neuronową. Metody te umożliwiają istotne zwiększenie dokładności predykcji modeli, jednak ich zastosowanie nadal wiąże się z licznymi ograniczeniami, które wymagają dalszych badań.

Z jednej strony prowadzone są badania nad możliwością zastosowania opracowanych wcześniej metodyk do nowych klas układów molekularnych, takich jak ciecze głęboko eutektyczne czy szkielety metalo-organiczne. Z drugiej strony analizowane są modyfikacje protokołów modelowania i algorytmów, których celem jest zwiększenie ich adekwatności względem typowych problemów występujących w chemii. Adaptacje domenowe koncentrują się m.in. na problemie redukcji niepewności predykcji modeli w zależności od zastosowanego zbioru adaptacyjnego, z wykorzystaniem metody Attentive Model-Agnostic Meta-Learning, a także na uwzględnieniu podobieństwa zadań w ramach technik meta-uczenia, czego przykładem jest metoda Task Similarity Aware Reptile.

W ramach projektu analizowane są również techniki uczenia bez wykorzystania zbiorów treningowych (ang. zero-shot learning), a także metody oparte na złożonych architekturach typu transformer oraz dużych modelach językowych (ang. large language models, LLM).