Zijn AI-modellen echt 'fundamenteel' als het om moleculen gaat? Nog niet helemaal
Je kent vast ChatGPT en soortgelijke AI-systemen die overal een beetje van weten. In de wetenschap van moleculen, de kleine bouwstenen van alles om ons heen, proberen onderzoekers iets soortgelijks te bouwen: een "foundation model". Dat is een AI-model dat getraind is op heel veel data en daarna voor allerlei verschillende taken bruikbaar zou moeten zijn, zonder dat je het steeds opnieuw hoeft te trainen.
Het probleem: niemand heeft ooit goed vastgelegd wanneer zo'n model die eretitel écht verdient. Een groep onderzoekers besloot dit eens goed te onderzoeken. Ze stelden drie heldere eisen op waaraan een molecuulmodel moet voldoen om "fundamenteel" genoemd te mogen worden.
Drie strenge eisen
De eerste eis is algemeenheid: het model moet overweg kunnen met verschillende soorten moleculen, eigenschappen en taken, niet maar met één specifiek dingetje. De tweede eis is overdraagbaarheid: je moet het model op een nieuwe toepassing kunnen loslaten zonder het opnieuw (of nauwelijks) te hoeven trainen. De derde eis is generalisatie: het model moet ook goed werken buiten de situaties die het tijdens de training heeft gezien.
De onderzoekers legden de beste modellen van dit moment langs deze meetlat. De uitkomst: er is wel degelijk vooruitgang, vooral bij modellen die de 3D-vorm van eiwitten voorspellen en bij modellen die de krachten tussen atomen berekenen. Maar geen enkel model dat ze onderzochten voldeed aan alle drie de eisen tegelijk.
Waar het wel lukt, en waarom
Het valt op dat succes zich concentreert in gebieden waar de te voorspellen eigenschap heel consistent gedefinieerd is en waar veel trainingsdata beschikbaar is, met weinig "ruis": fouten of inconsistenties in de data die niets met het eigenlijke natuurkundige verschijnsel te maken hebben.
Misschien wel de meest verrassende conclusie van het onderzoek: vooruitgang komt niet vooral doordat modellen steeds groter worden. Het draait veel meer om de kwaliteit en structuur van de data, en om hoeveel voorkennis je in het model stopt, bijvoorbeeld kennis over hoe scheikunde of natuurkunde eigenlijk werkt. Een model dat blind alleen maar groter wordt gemaakt, wordt dus niet automatisch beter in moleculaire voorspellingen.
Wat betekent dit (nog) niet: Dit onderzoek is een kritische analyse en meetlat, geen aankondiging dat moleculaire AI-modellen mislukt zijn. Het laat vooral zien dat de term "foundation model" vaak te snel gebruikt wordt, en biedt een manier om dat beter te toetsen. Het gaat hier bovendien om de visie van één onderzoeksteam: andere wetenschappers kunnen weer andere criteria voorstellen of de resultaten anders interpreteren.
Waarom is dit belangrijk? Steeds meer bedrijven en laboratoria vertrouwen op AI-modellen om bijvoorbeeld nieuwe medicijnen of materialen te ontwerpen. Als je weet welke modellen écht breed inzetbaar zijn en welke eigenlijk maar goed zijn in één specifiek klusje, voorkom je verkeerde verwachtingen en verspilde onderzoeksmoeite. Dit raamwerk geeft onderzoekers een manier om modellen eerlijk te vergelijken, in plaats van af te gaan op marketingtaal.
Bron: How 'Foundational' Are Current Molecular Foundation Models?