La division de recherche fondamentale de l’IA (Fair) de
Meta a lancé le 14 mai une importante collection d’outils d’intelligence artificielle open source, y compris des modèles, des repères et des ensembles de données, conçus pour accélérer considérablement la découverte scientifique. The initiative, aimed at advancing fields like molecular property prediction, language processing, and neuroscience, is a key part of Meta’s pursuit of advanced machine intelligence (AMI) – AI systems with highly developed cognitive capacités. Les nouveaux outils représentent une décision significative de Meta pour accélérer la découverte scientifique en chimie et en matériaux.
Les sorties phares, les molécules ouvertes 2025 (OMOL25) et le modèle universel pour les atomes (UMA) du ministère de l’énergie (UMA), dont détaillé par Berkeley Lab , promet de révolutionner à la conception des matériaux de Berkeley Technologies.
Nouvelles frontières en sciences informatiques
L’ensemble de données OMOL25, contenant plus de 100 millions d’instantanés moléculaires 3D, est décrit par Meta comme la ressource de calcul de la chimie des quantités les plus importantes et les plus diverses pour les biomolécules, les complexes métalliques et les électrolytes. Sa création, en utilisant le Orca Program Package , a exigé un immense six milliards d’heures de base de calcul, selon Berkeley Lab. Cet ensemble de données permet des simulations de systèmes atomiques jusqu’à dix fois plus grands que celle auparavant. Simulations de chimie. Prédictions précises du comportement moléculaire. Étreindre le visage et d’autres plateformes, en choisissant une approche scientifique ouverte. Échantillonnage, Une nouvelle technique pour la formation de modèles d’IA génératifs sans données préexistantes, présentées par sa capacité à générer des molécules diverses avec UMA. Sampling is particularly aimed at de novo molecular design.
Additionally, a large-scale neuroscience study, conducted with the Rothschild Foundation Hospital , a cartographié la façon dont les représentations linguistiques émergent dans le cerveau humain en développement, révélant la décroissance de l’ambition de grande envergure comme OMOLA META et UMA. Timelines typiques dans la découverte expérimentale traditionnelle. href=”https://arxiv.org/abs/2505.08762″Target=”_ Blank”> Papier OMOL25 , tire la théorie fonctionnelle de la densité (DFT) pour prédire les propriétés moléculaires, en particulier dans des scénarios complexes impliquant la formation de cautionnement et le berceuse. Soulies à la nécessité de modèles fiables, indiquant que «la confiance est particulièrement critique ici parce que les scientifiques doivent compter sur ces modèles pour produire des résultats physiquement solides qui se traduisent et peuvent être utilisés pour la recherche scientifique.»
AI en science, collaboration et défis futurs
Les nouvelles outils entrent dans un paysage compétitif où les autres giants technologiques sont également pour les sciences de la science de l’incapation dans les sciences de l’IA dans le pays dans un pays dans un pays dans un pays dans un pays dans un pays dans un milieu de pays. Par exemple, Alphafold 3 de Google Deepmind, désormais open-source, permet des recherches académiques sur les interactions moléculaires complexes pour une utilisation non commerciale. Le Bioemu-1 de Microsoft, qui modélise le mouvement dynamique des protéines.
Cependant, la puissance croissante de l’IA dans les domaines scientifiques a mis en évidence des défis inhérents. Les niveaux non spécialistes humains dans des domaines comme le diagnostic médical, les lacunes importantes et les problèmes de transparence des données persistent. Les benchmarks pour suivre les performances du modèle. Adoptés, ils tiennent la promesse de débloquer de nouvelles frontières scientifiques et d’accélérer le développement de solutions à certains des problèmes les plus urgents du monde.