⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Nieuwe AI-methode NEAT optimaliseert generatie van 3D-moleculen

Nieuwe AI-methode NEAT optimaliseert generatie van 3D-moleculen

Onderzoekers hebben een nieuwe transformer-architectuur genaamd NEAT ontwikkeld die het proces van het genereren van driedimensionale moleculen versnelt en kwalitatief verbetert door een innovatieve benadering van atoomvolgordes.

In de wereld van de computationele chemie en machine learning is het accuraat genereren van 3D-moleculen een complexe uitdaging. Traditionele methoden maken vaak gebruik van diffusie- of flow-gebaseerde benaderingen, maar er is een groeiende interesse in autoregressieve modellen op basis van transformers vanwege hun efficiëntie. Een fundamenteel probleem bij standaard transformer-architecturen is echter dat zij een sequentiële volgorde van tokens vereisen. Voor atomen in een molecuul is een dergelijke vaste volgorde inherent niet gedefinieerd.

Doorbreken van de volgorde-beperking

Volgens een wetenschappelijk artikel op arxiv.org probeerden eerdere modellen dit probleem op te lossen door gebruik te maken van canonieke atoomvolgordes. De auteurs van het nieuwe onderzoek stellen echter dat deze aanpak niet permutatie-invariant is ten opzichte van de atomen. Dit betekent dat de voorspelling van het volgende token onbedoeld wordt beïnvloed door de gekozen conventie van de volgorde, wat de flexibiliteit en nauwkeurigheid van het model kan beperken.

Om deze beperking te overkomen, introduceren Daniel Rose, Roxane Axel Jacob, Johannes Kirchmair en Thierry Langer het model NEAT, wat staat voor Neighborhood-Guided, Efficient, Autoregressive Set Transformer. In plaats van een vaste reeks, behandelt NEAT moleculaire grafen als sets van atomen. Het model maakt gebruik van een nieuwe trainingsstrategie die wordt gestuurd door de 'buurt' (neighborhood) van de atomen. Hierdoor kan het systeem een volgorde-agnostische distributie leren over toegestane tokens aan de grens van de graaf, wat de permutatie-invariantie op atoomniveau waarborgt.

Prestaties en resultaten

De effectiviteit van NEAT is getest op diverse datasets, waaronder QM9 en GEOM-Drugs. Uit de resultaten blijkt dat het model een state-of-the-art generatiekwaliteit bereikt op beide datasets. Een belangrijk praktisch voordeel van deze nieuwe architectuur is dat het naadloze aanvullingen van moleculaire prefixes mogelijk maakt. Daarnaast biedt NEAT een aanzienlijk snelheidvoordeel ten opzichte van bestaande baselines in het vakgebied.

Het onderzoek is ingediend voor de conferentie NeurIPS 2026 en valt onder de categorieën Machine Learning en Artificiële Intelligentie. De meest recente versie van het document, versie 4, werd op 13 november 2026 bijgewerkt op .

Context en technologie

De ontwikkeling van NEAT past in een bredere trend waarbij transformers, die oorspronkelijk voor taalverwerking werden ontworpen, worden aangepast voor complexe wetenschappelijke structuren. Door de overstap van sequentiële data naar set-gebaseerde data kunnen modellen beter omgaan met de natuurlijke geometrie van moleculen zonder kunstmatige beperkingen op te leggen.

Hoewel de naam "Neat" ook voorkomt in andere technologische contexten, zoals bij de videoconferentieapparatuur van neat.no, is er geen enkel verband tussen de hardwareoplossingen voor vergaderruimtes en dit specifieke AI-onderzoek naar moleculaire generatie. De focus van het wetenschappelijke project ligt puur op de optimalisatie van autoregressieve set transformers voor chemische toepassingen.

De volledige details over de architectuur en de wiskundige onderbouwing van de buurt-gestuurde strategie zijn beschikbaar via de . Het werk markeert een stap voorwaarts in de manier waarop AI kan worden ingezet voor het ontwerpen van nieuwe moleculen, wat potentieel grote gevolgen heeft voor de farmaceutische industrie en materiaalkunde.

Geraadpleegde bronnen
Pexelsturekvia Pexels
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!