Im Prinzip könnte künstliche Intelligenz das Finden des richtigen Materials für einen Job so einfach machen wie das Bestellen eines Abendessens: Beschreiben Sie einem großen Sprachmodell, was Sie benötigen, und es gibt Ihnen einen Kristall, der für die Aufgabe entwickelt wurde. In der Praxis blieb dieses Szenario unerreichbar, da die Modelle hinter den heutigen Chatbots noch nie gesehen haben, wie die meisten Materialien aussehen.
MIT-Forscher berichten, dass sie einen konkreten Schritt zur Behebung dieses Problems unternommen haben. In einem neuen, in Nature Communications veröffentlichten Artikel beschreibt ein Team des Department of Materials Science and Engineering (DMSE) des MIT ein multimodales KI-Modell, das dreidimensionale Atomstrukturen mit Beschreibungen in natürlicher Sprache kombiniert und es dem System ermöglicht, gleichzeitig über Kristallgeometrie und Text nachzudenken. Laut MIT News identifiziert das Modell bessere Materialdesigns als Systeme, die nur auf Text trainiert werden, indem es der KI ermöglicht, die atomaren Anordnungen und Bindungsmuster zu erkennen, die das Verhalten von Materialien bestimmen. Die Arbeit ergänzt eine umfangreiche Berichterstattung über die KI-Branche, die sich auf Modelle konzentriert, die über den Text hinaus in die physische Welt vordringen.
Warum texttrainierte Modelle über Materie stolpern
Das Hindernis besteht im Wesentlichen aus Daten. Die meisten Materialien sind kristallin: dreidimensionale, periodische Anordnungen von Atomen, deren Strukturen in speziellen Rechenformaten gespeichert werden und nicht in den Textströmen, auf denen große Sprachmodelle trainiert werden. Darüber hinaus ist die experimentelle Literatur stark auf einige beliebte Kristallklassen ausgerichtet, was die Ergebnisse jeder KI, die hauptsächlich auf veröffentlichten Arbeiten trainiert wird, verzerrt.
Das Ergebnis ist ein blinder Fleck mit echten Folgen. Mehr als 90 Prozent der festen Materialien auf der Erde sind kristallin, und viele der Strukturen, die für Batterien, Elektronik oder Katalysatoren der nächsten Generation von Bedeutung sein könnten, befinden sich in Computerdatenbanken, die rein sprachbasierte Systeme praktisch nicht lesen können.
Einem Modell beibringen, die Struktur mit der Sprache in Einklang zu bringen
Die Antwort des MIT-Teams bestand darin, etwas zu entwickeln, das praktisch ein Vision-Sprachmodell für Kristalle ist. Die Forscher trainierten ein Sprachmodell, um mithilfe von kontrastivem Lernen Textbeschreibungen von Kristallstrukturen zu erstellen. Dabei handelt es sich um einen Ansatz, bei dem ein Modell ähnliche und unterschiedliche Beispiele von Strukturen und Beschreibungen vergleicht, bis es ein einheitliches Verständnis entwickelt – ein Prozess, den das MIT damit vergleicht, wie das Gehirn seine visuellen und sprachlichen Regionen ausrichtet.
Entscheidend war, dass sich das Team dafür entschied, seine eigenen Erzählungen über Materialien zu synthetisieren, anstatt sich ausschließlich auf vorhandene Papiere zu verlassen. Basierend auf experimenteller Forschungsliteratur und First-Principles-Rechendatenbanken generierte das Modell umfangreiche Beschreibungen, die nicht nur die chemische Zusammensetzung und Struktur, sondern auch Eigenschaften, Verarbeitungsüberlegungen und potenzielle Anwendungen abdeckten.
„Wir wollten ein KI-Modell erstellen, das weitgehend materialübergreifend funktioniert“, sagte Ju Li, Carl Richard Soderberg-Professor für Energietechnik am MIT und leitender Autor des Papiers. „Deshalb haben wir uns entschieden, Erzählungen zu synthetisieren, anstatt uns ausschließlich auf vorhandene Arbeiten zu verlassen. Wir haben festgestellt, dass die Modelle die Funktion besser vorhersagen können, wenn wir diesen Erzähldatensatz verwenden.“
Der Test: Festkörperbatterie-Elektrolyte finden
Um den Ansatz zu bewerten, verglichen die Forscher zwei Versionen des Modells: eine, die auf den KI-generierten Strukturbeschreibungen trainiert wurde, und eine, die nur auf Texten aus Forschungsarbeiten trainiert wurde. Die auf den synthetisierten Beschreibungen trainierte Version lernte erfolgreich, geometrische Strukturen an der Sprache auszurichten, während dies bei der Nur-Text-Version nicht gelang.
Anschließend forderte das Team das Modell auf, kristalline Materialien zu identifizieren, die für Festkörperelektrolyte von Lithium-Ionen-Batterien geeignet sind – eine zentrale Herausforderung für Batterien der nächsten Generation. Laut MIT News umfassten die besten Ergebnisse des Modells Materialien, die unabhängig als vielversprechende Kandidaten identifiziert wurden, und das System übertraf eine Nur-Text-Basislinie, wenn in natürlicher Sprache Abfragen gestellt wurden, die eine Eigenschaft beschreiben und Kristalle mit dieser Eigenschaft finden sollten.
„Struktur ist wirklich das Herzstück der Materialwissenschaften“, sagte Li. „Wenn man die Struktur versteht, kann man einiges über die Eigenschaften und die Leistung von Materialien ableiten. Wir wollten die Verbindung zwischen der atomaren Struktur eines Materials und seinen Eigenschaften und der Verarbeitung für das Modell herstellen.“
Wo das in die KI-gesteuerte Materialentdeckung passt
Im letzten Jahrzehnt hat KI bereits die Art und Weise verändert, wie neue Kristalle vorgeschlagen und entworfen werden. Die meisten dieser Systeme behandeln kristalline Materialien jedoch als dreidimensionale Graphen, die von speziellen Architekturen verarbeitet werden, getrennt von den Sprachmodellen, die die Allzweck-KI antreiben. Indem einem sprachbasierten Modell beigebracht wird, Geometrie direkt wahrzunehmen, weist die MIT-Arbeit auf Assistenten hin, die eines Tages eine in einfachem Englisch formulierte Materialanfrage durchgängig bearbeiten könnten.
Zum Forschungsteam gehörten der Erstautor Yang Jeong Park, ein ehemaliger Postdoktorand des MIT, zusammen mit Mayank Kumaran, einer kürzlich Absolventin der Computertechnik an der University of Illinois Urbana-Champaign, Chia-Wei Hsu, und Elsa Olivetti, der Jerry McAfee (1940) Professorin für Ingenieurwissenschaften am MIT.
Was als nächstes kommt
Das Modell bleibt ein Forschungssystem und das MIT hat keine Produktisierung angekündigt. Aber die Implikationen sind weitreichend: Festkörperelektrolyte waren ein Testfall, und der gleiche Struktur-plus-Sprache-Ansatz könnte auf Katalysatoren, Halbleiter oder Strukturmaterialien angewendet werden. Wenn der Ansatz verallgemeinert wird, könnte sich der Engpass bei der Materialentdeckung von der Erzeugung von Kristallkandidaten auf deren Validierung im Labor verlagern – eine Verschiebung, die Experimentatoren wahrscheinlich begrüßen würden.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →
