در اصل، هوش مصنوعی می تواند یافتن مواد مناسب برای یک شغل را به آسانی سفارش دادن شام آسان کند: آنچه را که برای یک مدل زبانی بزرگ نیاز دارید، توصیف کنید، و کریستالی را به شما می دهد که برای این کار طراحی شده است. در عمل، این سناریو دور از دسترس باقی مانده است، زیرا مدل‌های پشت ربات‌های چت امروزی هرگز در واقع ندیده‌اند که بیشتر مواد چگونه به نظر می‌رسند.

محققان MIT گزارش می دهند که گامی ملموس در جهت رفع آن برداشته اند. در مقاله جدیدی که در Nature Communications منتشر شده است، تیمی از دپارتمان علوم و مهندسی مواد MIT (DMSE) یک مدل هوش مصنوعی چندوجهی را توصیف می‌کند که ساختارهای اتمی سه بعدی را با توصیف‌های زبان طبیعی ترکیب می‌کند و به سیستم اجازه می‌دهد همزمان درباره هندسه کریستال و متن استدلال کند. به گزارش MIT News، این مدل با اجازه دادن به هوش مصنوعی برای دیدن آرایش اتمی و الگوهای پیوندی که نحوه رفتار مواد را تعیین می‌کنند، طرح‌های مواد بهتری را نسبت به سیستم‌هایی که تنها بر روی متن آموزش داده شده‌اند، شناسایی می‌کند. این کار به بخش شلوغی از [پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) می افزاید که بر مدل هایی متمرکز شده است که فراتر از متن و به دنیای فیزیکی حرکت می کنند.

چرا مدل‌های آموزش‌دیده با متن روی ماده تلو تلو می‌خورند

مانع اساساً در مورد داده ها است. بیشتر مواد کریستالی هستند: آرایش‌های سه بعدی و تناوبی اتم‌هایی که ساختار آن‌ها در قالب‌های محاسباتی تخصصی ذخیره می‌شوند نه جریان‌های متنی که مدل‌های زبان بزرگ روی آن‌ها آموزش داده می‌شوند. علاوه بر این، ادبیات تجربی به شدت به سمت چند کلاس محبوب کریستال ها سوق داده شده است، که خروجی های هر AI آموزش داده شده عمدتاً بر روی مقالات منتشر شده را تغییر می دهد.

نتیجه یک نقطه کور با عواقب واقعی است. بیش از 90 درصد مواد جامد روی زمین کریستالی هستند و بسیاری از ساختارهایی که می‌توانند برای باتری‌های نسل بعدی، الکترونیک یا کاتالیزورها مهم باشند، در پایگاه‌های داده محاسباتی زندگی می‌کنند که سیستم‌های فقط زبان قادر به خواندن آن‌ها نیستند.

آموزش مدلی برای تراز کردن ساختار با زبان

پاسخ تیم MIT ساختن چیزی بود که به طور موثر یک مدل زبان بینایی برای کریستال ها است. محققان یک مدل زبان را آموزش دادند تا توصیفات متنی ساختارهای بلوری را با استفاده از یادگیری متضاد تولید کند، رویکردی که در آن یک مدل نمونه‌های مشابه و غیرمشابه ساختارها و توصیف‌ها را تا زمانی که درک یکپارچه ایجاد کند مقایسه می‌کند - فرآیندی که MIT با نحوه همسویی مغز مناطق بصری و زبانی خود مقایسه می‌کند.

مهمتر از همه، این تیم ترجیح داد به جای تکیه بر مقالات موجود، روایت های خود را در مورد مواد ترکیب کند. این مدل با تکیه بر ادبیات تحقیقات تجربی و پایگاه‌های داده محاسباتی اصول اول، توصیف‌های غنی را ایجاد کرد که نه تنها ترکیب شیمیایی و ساختار، بلکه خواص، ملاحظات پردازش و کاربردهای بالقوه را نیز پوشش می‌داد.

جو لی، پروفسور کارل ریچارد سودربرگ در مهندسی نیرو در MIT و نویسنده ارشد این مقاله می گوید: «ما می خواستیم یک مدل هوش مصنوعی ایجاد کنیم که به طور گسترده در مواد کار کند. "به همین دلیل است که تصمیم گرفتیم به جای تکیه بر مقالات موجود، روایت ها را ترکیب کنیم. متوجه شدیم که وقتی از مجموعه داده های روایت استفاده می کنیم، مدل ها در پیش بینی عملکرد بهتر هستند."

آزمایش: یافتن الکترولیت های باتری حالت جامد

برای ارزیابی این رویکرد، محققان دو نسخه از مدل را مقایسه کردند: یکی که بر روی توصیفات ساختاری ایجاد شده توسط هوش مصنوعی آموزش دیده بود و دیگری که فقط بر روی متن از مقالات تحقیقاتی آموزش دیده بود. نسخه آموزش داده شده بر روی توصیف های ترکیبی با موفقیت یاد گرفت که ساختارهای هندسی را با زبان تراز کند، در حالی که نسخه فقط متنی این کار را نکرد.

سپس این تیم از مدل خواستند تا مواد کریستالی مناسب برای الکترولیت های باتری لیتیوم یون حالت جامد را شناسایی کند - چالشی کلیدی برای باتری های نسل بعدی. به گزارش MIT News، نتایج برتر مدل شامل موادی بود که به‌طور مستقل به‌عنوان نامزدهای امیدوارکننده شناسایی شده بودند، و زمانی که درخواست‌هایی به زبان طبیعی برای توصیف یک ویژگی داده شد و از آنها خواسته شد کریستال‌هایی با آن ویژگی را پیدا کنند، سیستم از خط پایه فقط متنی بهتر عمل کرد.

لی گفت: «ساختار واقعاً در قلب حوزه علم مواد قرار دارد. "اگر ساختار را درک کنید، می توانید اطلاعات زیادی در مورد خواص و عملکرد مواد بدست آورید. ما می خواستیم بین ساختار اتمی یک ماده و خواص و پردازش آن برای مدل ارتباط برقرار کنیم."

جایی که این در کشف مواد مبتنی بر هوش مصنوعی مناسب است

در طول دهه گذشته، هوش مصنوعی نحوه پیشنهاد و طراحی کریستال های جدید را تغییر داده است. با این حال، اکثر این سیستم ها، مواد کریستالی را به عنوان نمودارهای سه بعدی پردازش شده توسط معماری های تخصصی، جدا از مدل های زبانی که هوش مصنوعی همه منظوره را تقویت می کنند، در نظر می گیرند. با آموزش یک مدل مبتنی بر زبان برای درک مستقیم هندسه، کار MIT به دستیارانی اشاره می‌کند که روزی می‌توانند درخواست مواد را که به زبان انگلیسی ساده از انتها به پایان می‌گویند، رسیدگی کنند.

تیم تحقیقاتی شامل اولین نویسنده یانگ جونگ پارک، فوق دکترای سابق MIT، همراه با مایانک کوماران، فارغ التحصیل اخیر مهندسی کامپیوتر از دانشگاه ایلینویز Urbana-Champaign، چیا-وی هسو و السا اولیوتی، جری مک آفی (1940) استاد مهندسی در MIT بود.

بعد چه می آید

این مدل همچنان یک سیستم تحقیقاتی است و MIT هیچ گونه تولیدی را اعلام نکرده است. اما پیامدها گسترده است: الکترولیت های حالت جامد یک مورد آزمایشی بودند، و همان رویکرد ساختار به اضافه زبان می تواند برای کاتالیزورها، نیمه هادی ها یا مواد ساختاری اعمال شود. اگر این رویکرد تعمیم یابد، گلوگاه در کشف مواد ممکن است از تولید کریستال‌های کاندید به اعتبارسنجی آنها در آزمایشگاه تغییر کند - تغییری که احتمالاً آزمایش‌گران از آن استقبال می‌کنند.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →