En principio, la inteligencia artificial podría hacer que encontrar el material adecuado para un trabajo sea tan fácil como pedir la cena: describe lo que necesitas a un modelo de lenguaje grande y te entregará un cristal diseñado para la tarea. En la práctica, ese escenario ha permanecido fuera de nuestro alcance, porque los modelos detrás de los chatbots actuales nunca han visto cómo son la mayoría de los materiales.
Los investigadores del MIT informan que han dado un paso concreto para solucionar este problema. En un nuevo artículo publicado en Nature Communications, un equipo del Departamento de Ciencia e Ingeniería de Materiales (DMSE) del MIT describe un modelo de IA multimodal que combina estructuras atómicas tridimensionales con descripciones en lenguaje natural, permitiendo que el sistema razone sobre la geometría del cristal y el texto al mismo tiempo. Según MIT News, el modelo identifica mejores diseños de materiales que los sistemas entrenados únicamente con texto al permitir que la IA vea las disposiciones atómicas y los patrones de enlace que determinan cómo se comportan los materiales. El trabajo se suma a una ajetreada sección de cobertura de la industria de la IA centrada en modelos que van más allá del texto y se adentran en el mundo físico.
Por qué los modelos entrenados en texto tropiezan con la materia
El obstáculo es fundamentalmente de datos. La mayoría de los materiales son cristalinos: disposiciones tridimensionales y periódicas de átomos cuyas estructuras se almacenan en formatos computacionales especializados en lugar de los flujos de texto en los que se entrenan los grandes modelos de lenguaje. Además de eso, la literatura experimental está muy sesgada hacia unas pocas clases populares de cristales, lo que distorsiona los resultados de cualquier IA entrenada principalmente en artículos publicados.
El resultado es un punto ciego con consecuencias reales. Más del 90 por ciento de los materiales sólidos de la Tierra son cristalinos, y muchas de las estructuras que podrían ser importantes para las baterías, la electrónica o los catalizadores de próxima generación viven en bases de datos computacionales que los sistemas basados únicamente en lenguaje no pueden leer de manera efectiva.
Enseñar un modelo para alinear la estructura con el lenguaje
La respuesta del equipo del MIT fue construir lo que efectivamente es un modelo de visión y lenguaje para cristales. Los investigadores entrenaron un modelo de lenguaje para producir descripciones textuales de estructuras cristalinas utilizando el aprendizaje contrastivo, un enfoque en el que un modelo compara ejemplos similares y diferentes de estructuras y descripciones hasta que desarrolla una comprensión unificada, un proceso que el MIT compara con cómo el cerebro alinea sus regiones visuales y lingüísticas.
Fundamentalmente, el equipo optó por sintetizar sus propias narrativas sobre los materiales en lugar de depender únicamente de los artículos existentes. Basándose en literatura de investigación experimental y bases de datos computacionales de primeros principios, el modelo generó descripciones ricas que abarcan no solo la composición y estructura química, sino también propiedades, consideraciones de procesamiento y aplicaciones potenciales.
"Queríamos crear un modelo de IA que funcionara ampliamente en todos los materiales", dijo Ju Li, profesor Carl Richard Soderberg de Ingeniería Energética en el MIT y autor principal del artículo. "Es por eso que decidimos sintetizar narrativas en lugar de confiar únicamente en artículos existentes. Descubrimos que cuando usamos ese conjunto de datos narrativos, los modelos son mejores para predecir la función".
La prueba: encontrar electrolitos de baterías de estado sólido
Para evaluar el enfoque, los investigadores compararon dos versiones del modelo: una entrenada con descripciones estructurales generadas por IA y otra entrenada solo con texto de artículos de investigación. La versión entrenada con las descripciones sintetizadas aprendió con éxito a alinear las estructuras geométricas con el lenguaje, mientras que la versión de solo texto no lo hizo.
Luego, el equipo pidió al modelo que identificara materiales cristalinos adecuados para electrolitos de baterías de iones de litio de estado sólido, un desafío clave para las baterías de próxima generación. Según MIT News, los mejores resultados del modelo incluyeron materiales que habían sido identificados de forma independiente como candidatos prometedores, y el sistema superó una línea base de solo texto cuando se le hicieron consultas en lenguaje natural que describían una propiedad y se le pidió que encontrara cristales con esa propiedad.
"La estructura está realmente en el corazón del campo de la ciencia de los materiales", dijo Li. "Si se comprende la estructura, se pueden inferir muchas cosas sobre las propiedades y el rendimiento de los materiales. Queríamos establecer la conexión entre la estructura atómica de un material y sus propiedades y procesamiento para el modelo".
Dónde encaja esto en el descubrimiento de materiales impulsado por IA
Durante la última década, la IA ya ha remodelado la forma en que se proponen y diseñan nuevos cristales; Sin embargo, la mayoría de esos sistemas tratan los materiales cristalinos como gráficos tridimensionales procesados por arquitecturas especializadas, separados de los modelos de lenguaje que impulsan la IA de propósito general. Al enseñar un modelo basado en el lenguaje para percibir la geometría directamente, el trabajo del MIT apunta hacia asistentes que algún día podrían manejar una solicitud de materiales expresada en inglés sencillo de principio a fin.
El equipo de investigación incluyó al primer autor Yang Jeong Park, ex postdoctorado del MIT, junto con Mayank Kumaran, recién graduado en ingeniería informática de la Universidad de Illinois Urbana-Champaign, Chia-Wei Hsu, y Elsa Olivetti, profesora de ingeniería Jerry McAfee (1940) en el MIT.
¿Qué viene después?
El modelo sigue siendo un sistema de investigación y el MIT no ha anunciado ninguna producción. Pero las implicaciones son amplias: los electrolitos en estado sólido fueron un caso de prueba, y el mismo enfoque de estructura más lenguaje podría aplicarse a catalizadores, semiconductores o materiales estructurales. Si el enfoque se generaliza, el cuello de botella en el descubrimiento de materiales puede pasar de generar cristales candidatos a validarlos en el laboratorio, un cambio que los experimentadores probablemente agradecerían.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →
