Umělá inteligence by v zásadě mohla usnadnit nalezení správného materiálu pro práci stejně jako objednání večeře: popište, co potřebujete, velkému jazykovému modelu a ten vám předá krystal určený pro daný úkol. V praxi tento scénář zůstal mimo dosah, protože modely dnešních chatbotů ve skutečnosti nikdy neviděly, jak většina materiálů vypadá.

Výzkumníci z MIT hlásí, že podnikli konkrétní krok k nápravě. V novém článku publikovaném v Nature Communications popisuje tým z oddělení materiálové vědy a inženýrství MIT (DMSE) multimodální model umělé inteligence, který kombinuje trojrozměrné atomové struktury s popisy v přirozeném jazyce a umožňuje systému uvažovat o geometrii krystalu a textu současně. Podle MIT News model identifikuje lepší návrhy materiálů než systémy trénované pouze na textu tím, že umožňuje AI vidět atomová uspořádání a vazebné vzory, které určují, jak se materiály chovají. Práce přispívá k rušnému úseku pokrytí průmyslu AI zaměřeného na modely, které překračují text a přecházejí do fyzického světa.

Proč textově vyškolení modelky narážejí na hmotu

Překážkou jsou v podstatě data. Většina materiálů je krystalická: trojrozměrná, periodická uspořádání atomů, jejichž struktury jsou uloženy ve specializovaných výpočetních formátech spíše než v textových proudech, na kterých jsou trénovány velké jazykové modely. Kromě toho je experimentální literatura silně zaujatá směrem k několika populárním třídám krystalů, což zkresluje výstupy jakékoli umělé inteligence vyškolené primárně na publikovaných dokumentech.

Výsledkem je slepá skvrna se skutečnými důsledky. Více než 90 procent pevných materiálů na Zemi je krystalických a mnoho struktur, které by mohly mít význam pro baterie, elektroniku nebo katalyzátory nové generace, žije ve výpočetních databázích, které systémy využívající pouze jazyk efektivně nemohou číst.

Výuka modelu sladit strukturu s jazykem

Odpovědí týmu MIT bylo vytvořit to, co je ve skutečnosti model jazyka vidění pro krystaly. Výzkumníci trénovali jazykový model pro vytváření textových popisů krystalových struktur pomocí kontrastivního učení, což je přístup, ve kterém model porovnává podobné a odlišné příklady struktur a popisů, dokud nedosáhne jednotného porozumění – proces MIT porovnává s tím, jak mozek zarovná své vizuální a jazykové oblasti.

Zásadní je, že se tým rozhodl syntetizovat své vlastní příběhy o materiálech, než aby se spoléhal pouze na existující dokumenty. Na základě experimentální výzkumné literatury a primárních výpočetních databází model generoval bohaté popisy pokrývající nejen chemické složení a strukturu, ale také vlastnosti, úvahy o zpracování a potenciální aplikace.

„Chtěli jsme vytvořit model umělé inteligence, který funguje široce napříč materiály,“ řekl Ju Li, profesor energetického inženýrství Carl Richard Soderberg na MIT a hlavní autor článku. "Proto jsme se rozhodli syntetizovat příběhy spíše než se spoléhat pouze na existující dokumenty. Zjistili jsme, že když jsme použili tento soubor narativních dat, modely lépe předpovídají funkci."

Test: Nalezení elektrolytů v pevné baterii

K vyhodnocení přístupu výzkumníci porovnali dvě verze modelu: jednu trénovanou na strukturální popisy generované AI a jednu trénovanou pouze na textu z výzkumných prací. Verze trénovaná na syntetizovaných popisech se úspěšně naučila zarovnávat geometrické struktury s jazykem, zatímco textová verze nikoli.

Tým poté požádal model, aby identifikoval krystalické materiály vhodné pro elektrolyty lithium-iontových baterií v pevné fázi – klíčovou výzvu pro baterie nové generace. Podle MIT News nejlepší výsledky modelu zahrnovaly materiály, které byly nezávisle identifikovány jako slibní kandidáti, a systém překonal pouze textovou základní linii, když dostal dotazy v přirozeném jazyce popisující vlastnost a požádal o nalezení krystalů s touto vlastností.

"Struktura je skutečně jádrem oboru vědy o materiálech," řekl Li. "Pokud rozumíte struktuře, můžete odvodit poměrně hodně o vlastnostech a výkonu materiálů. Chtěli jsme vytvořit spojení mezi atomovou strukturou materiálu a jeho vlastnostmi a zpracováním pro model."

Kde se to hodí při objevování materiálů řízených umělou inteligencí

Během posledního desetiletí již umělá inteligence přetvořila způsob, jakým jsou navrhovány a navrhovány nové krystaly; většina těchto systémů však zachází s krystalickými materiály jako s trojrozměrnými grafy zpracovanými specializovanými architekturami, oddělenými od jazykových modelů, které pohánějí AI pro všeobecné účely. Tím, že učí jazykový model pro přímé vnímání geometrie, práce MIT ukazuje na asistenty, kteří by jednoho dne mohli zvládnout žádost o materiály vyjádřenou v jednoduché angličtině od konce do konce.

Výzkumný tým zahrnoval prvního autora Yang Jeong Park, bývalý postdoktor MIT, spolu s Mayankem Kumaranem, čerstvým absolventem počítačového inženýrství University of Illinois Urbana-Champaign, Chia-Wei Hsu a Elsou Olivetti, profesorkou inženýrství Jerry McAfee (1940) na MIT.

Co přijde dál

Model zůstává výzkumným systémem a MIT neoznámilo žádnou produkci. Důsledky jsou však široké: elektrolyty v pevné fázi byly jedním testovacím případem a stejný přístup ke struktuře a jazyku by se dal použít na katalyzátory, polovodiče nebo konstrukční materiály. Pokud se přístup zobecní, překážka v objevování materiálů se může posunout od generování kandidátských krystalů k jejich ověřování v laboratoři – tento posun by experimentátoři pravděpodobně uvítali.

---

Stay Ahead of AI

Získejte nejnovější zprávy, analýzy a průlomové informace o umělé inteligenci – vše na jednom místě.

Přečtěte si další zprávy o AI →