In de wereld van materiaalkunde voelt het ontwerpen van de volgende generatie elektronische displays vaak als het zoeken naar een speld in een hooiberg, maar de hooiberg is gemaakt van onzichtbare atomen en de speld is een specifieke ordening van energie. Wetenschappers zijn constant op zoek naar nieuwe organische moleculen die efficiënt licht kunnen uitzenden, met name voor gebruik in organische lichtemitterende diodes, of OLED's. Om deze moleculen te vinden, vertrouwen onderzoekers traditioneel op twee methoden: het draaien van complexe computersimulaties die dagen nodig hebben om te voltooien, of het uitvoeren van fysieke experimenten die duur en traag zijn. Beide benaderingen worstelen wanneer er niet genoeg data is om een computer patronen te laten herkennen, een situatie die veel voorkomt in grensverleggend onderzoek waar nieuwe materialen zeldzaam zijn. Decennialang was de hoop dat kunstmatige intelligentie zou kunnen leren hoe een molecuul zich gedraagt door alleen naar de vorm ervan te kijken, maar deze computermodellen falen vaak wanneer ze geen enorme bibliotheken aan voorbeelden hebben om van te bestuderen. Ze neigen naar willekeurige gissingen in plaats van het begrijpen van de onderliggende regels, vergelijkbaar met een student die antwoorden uit het hoofd leert zonder de les te begrijpen.

Een team van onderzoekers heeft een manier gevonden om computers te leren denken zoals menselijke experts, door te kijken naar hoe die experts daadwerkelijk naar moleculen kijken. In plaats van de computer te dwingen te leren van miljoenen datapunten die zij niet heeft, hebben de wetenschappers de oogbewegingen van ervaren chemici opgenomen terwijl zij de structuur van organische moleculen op een scherm bestudeerden. Ze ontdekten dat deze experts niet alleen maar glazig voor zich uit staren; ze volgen een specifiek, herhaalbaar patroon van aandacht. Eerst scannen ze het molecuul snel, en vertragen ze pas wanneer ze de kritieke verbindingen tussen verschillende delen van de structuur bereiken. Vervolgens focussen ze intens op specifieke gebieden om te begrijpen hoe die onderdelen met elkaar interageren. Door deze visuele gewoonten te vertalen naar de taal van computercode, bouwden de onderzoekers een nieuw type kunstmatige intelligentie die dit menselijke manier van zien nabootst. Dit model, getraind op een relatief kleine set moleculen, leerde de verdeling van elektronen binnen een molecuul te voorspellen met een nauwkeurigheid die wedijvert met de krachtigste, tijdrovende computersimulaties, terwijl het tegelijkertijd een helder venster bood op de reden waarom het die voorspellingen deed.

De kern van deze ontdekking ligt in het begrijpen van hoe menselijke experts visuele informatie verwerken. Wanneer een chemicus naar een complex molecuul kijkt, bewegen hun ogen niet in een vloeiende, continue lijn. In plaats daarvan springen ze snel van de ene plek naar de andere, een beweging die bekend staat als een saccade, en pauzeren ze vervolgens om informatie te verzamelen, een pauze die een fixatie wordt genoemd. De onderzoekers ontdekten dat wanneer deze experts de elektronische eigenschappen van een molecuul analyseerden, hun ogen op een zeer specifieke manier bewogen. Tijdens de eerste paar seconden van het bekijken van een nieuwe structuur bewogen hun ogen snel, maar vertraagden ze aanzienlijk wanneer ze over de "bruggen" passeerden die de elektronendonerende en elektronenaccepterende delen van het molecuul verbinden. Deze vertragingszones, die de onderzoekers Decelerated Saccade Zones (vertraagde saccadezones) noemden, onthulden dat de experts de belangrijkste verbindingen actief aan het verwerken waren. Naarmate de tijd verstreek, stopten de experts met scannen en begonnen ze hun blik langer op specifieke groepen atomen te richten, waarbij ze de verzamelde informatie integreerden. Dit tweestaps-proces — eerst een brede scan met gefocuste vertraging, gevolgd door diepe, aanhoudende aandacht — was het patroon dat het team wilde vastleggen.

Om deze observatie om te zetten in een werkend hulpmiddel, bouwden de onderzoekers een computermodel dat deze twee stadia van menselijke aandacht repliceert. Het eerste deel van het model fungeert als de initiële scan, gebruikmakend van een netwerk dat ontworpen is om naar kleine, lokale stukjes van het molecuul te kijken en deze vervolgens snel aan elkaar te koppelen om de algehele vorm te begrijpen. Dit bootst de snelle oogbewegingen en het vertragen over kritieke bruggen na. Het tweede deel van het model fungeert als de diepe focus, gebruikmakend van een mechanisme dat de computer in staat stelt om de belangrijkste informatie vast te houden terwijl minder relevante details worden weggefilterd, vergelijkbaar met hoe een menselijk brein afleidingen wegfiltert om zich op de kern van het probleem te concentreren. Door dit systeem te trainen op een dataset van 733 organische moleculen die bekend staan om hun vermogen om efficiënt licht uit te stralen, leerde het model te voorspellen waar de elektronen zich binnen het molecuul zouden bevinden. De resultaten waren opmerkelijk: het model voorspelde de elektronverdeling met een foutmarge van minder dan één procent vergeleken met de gouden standaard, de krachtige computersimulaties die normaal gesproken dagen duren om uit te voeren.

Wat deze prestatie bijzonder significant maakt, is niet alleen de nauwkeurigheid, maar ook het feit dat het model de veelvoorkomende fouten van andere kunstmatige intelligentiesystemen vermijdt. Standaard computermodellen worstelen vaak wanneer een molecuul meerdere gelijkaardige onderdelen heeft; ze raken dan vaak in de war over welk deel wat doet, of ze wijzen mogelijk onjuist elektrische eigenschappen toe aan de verkeerde atomen. Het nieuwe model identificeert echter consequent de juiste regio's en vertoont daarmee een chemische intuïtie die puur datagestuurde modellen missen. Dit komt omdat het model is gebouwd om prioriteit te geven aan dezelfde structurele interacties die menselijke experts waardevol vinden. Wanneer de onderzoekers in het model keken om te zien waar het "op lette", vonden ze dat het exact dezelfde verbindingen en functionele groepen benadrukte waar de menselijke experts hun ogen op hadden vertraagd om ze te bestuderen. De computer had effectief geleerd om het molecuul te zien zoals een chemicus dat doet, met de focus op de bruggen en de kritieke knooppunten die bepalen hoe het materiaal zal presteren.

De implicaties van dit werk reiken verder dan alleen het sneller krijgen van het juiste antwoord. In het verleden was kunstmatige intelligentie in de wetenschap vaak een "black box", waarbij een computer een voorspelling geeft zonder uit te leggen hoe hij tot die conclusie kwam. Deze nieuwe aanpak biedt een duidelijk zicht op het redeneerproces. Omdat de aandachtmechanismen van het model zijn afgestemd op menselijk visueel gedrag, kunnen wetenschappers de output van het model bekijken en precies zien welke delen van het molecuul het model belangrijk vindt. Dit biedt een kwantitatieve kaart van hoe verschillende delen van een molecuul elkaar beïnvloeden, wat een nieuw instrument biedt voor het ontwerpen van betere materialen. De onderzoekers toonden aan dat het model specifieke structurele paren kon identificeren die een sterke invloed hebben op de elektronische eigenschappen van het molecuul, wat chemici een gids biedt over waar zij wijzigingen kunnen aanbrengen om de prestaties te verbeteren. Door menselijke cognitieve patronen direct in de architectuur van de machine in te bedden, heeft het team een systeem gecreëerd dat niet alleen berekent, maar ook begrijpt, waardoor de kloof tussen menselijke intuïtie en computationele kracht wordt overbrugd in een veld waar data schaars is en precisie alles is.