In linea di principio, l’intelligenza artificiale potrebbe rendere la ricerca del materiale giusto per un lavoro facile come ordinare la cena: descrivi ciò di cui hai bisogno a un grande modello linguistico e ti consegna un cristallo progettato per il compito. In pratica, quello scenario è rimasto fuori portata, perché i modelli dietro i chatbot di oggi non hanno mai visto l’aspetto della maggior parte dei materiali.
I ricercatori del MIT riferiscono di aver compiuto un passo concreto verso la risoluzione di questo problema. In un nuovo articolo pubblicato su Nature Communications, un team del Dipartimento di Scienza e Ingegneria dei Materiali (DMSE) del MIT descrive un modello di intelligenza artificiale multimodale che combina strutture atomiche tridimensionali con descrizioni in linguaggio naturale, consentendo al sistema di ragionare sulla geometria dei cristalli e sul testo allo stesso tempo. Secondo MIT News, il modello identifica progetti di materiali migliori rispetto ai sistemi addestrati solo sul testo, consentendo all’intelligenza artificiale di vedere le disposizioni atomiche e i modelli di legame che determinano il comportamento dei materiali. Il lavoro si aggiunge a un intenso tratto di copertura del settore dell’intelligenza artificiale incentrato su modelli che vanno oltre il testo e nel mondo fisico.
Perché i modelli con training testuale inciampano nella materia
L’ostacolo riguarda fondamentalmente i dati. La maggior parte dei materiali sono cristallini: disposizioni periodiche tridimensionali di atomi le cui strutture sono archiviate in formati computazionali specializzati piuttosto che nei flussi di testo su cui vengono addestrati i modelli linguistici di grandi dimensioni. Oltre a ciò, la letteratura sperimentale è fortemente sbilanciata verso alcune classi popolari di cristalli, il che distorce i risultati di qualsiasi intelligenza artificiale addestrata principalmente su articoli pubblicati.
Il risultato è un punto cieco con conseguenze reali. Oltre il 90% dei materiali solidi sulla Terra sono cristallini e molte delle strutture che potrebbero avere importanza per le batterie, i dispositivi elettronici o i catalizzatori di prossima generazione vivono in database computazionali che i sistemi basati solo sul linguaggio non sono effettivamente in grado di leggere.
Insegnare un modello per allineare la struttura al linguaggio
La risposta del team del MIT è stata quella di costruire quello che è effettivamente un modello di linguaggio visivo per i cristalli. I ricercatori hanno addestrato un modello linguistico per produrre descrizioni testuali di strutture cristalline utilizzando l’apprendimento contrastivo, un approccio in cui un modello confronta esempi simili e dissimili di strutture e descrizioni fino a sviluppare una comprensione unificata – un processo che il MIT confronta con il modo in cui il cervello allinea le sue regioni visive e linguistiche.
Fondamentalmente, il team ha scelto di sintetizzare le proprie narrazioni sui materiali piuttosto che fare affidamento esclusivamente su documenti esistenti. Basandosi sulla letteratura di ricerca sperimentale e sui database computazionali dei principi primi, il modello ha generato ricche descrizioni che coprono non solo la composizione e la struttura chimica, ma anche proprietà, considerazioni sulla lavorazione e potenziali applicazioni.
"Volevamo creare un modello di intelligenza artificiale che funzionasse ampiamente con tutti i materiali", ha affermato Ju Li, professore di ingegneria energetica di Carl Richard Soderberg al MIT e autore senior dell'articolo. "Ecco perché abbiamo deciso di sintetizzare le narrazioni piuttosto che fare affidamento esclusivamente su documenti esistenti. Abbiamo scoperto che quando abbiamo utilizzato quel set di dati narrativi, i modelli sono migliori nel prevedere la funzione."
Il test: trovare gli elettroliti nelle batterie a stato solido
Per valutare l’approccio, i ricercatori hanno confrontato due versioni del modello: una addestrata sulle descrizioni strutturali generate dall’intelligenza artificiale e una addestrata solo sul testo tratto da documenti di ricerca. La versione addestrata sulle descrizioni sintetizzate ha imparato con successo ad allineare le strutture geometriche con il linguaggio, mentre la versione di solo testo no.
Il team ha quindi chiesto al modello di identificare i materiali cristallini adatti per gli elettroliti delle batterie agli ioni di litio a stato solido, una sfida chiave per le batterie di prossima generazione. Secondo MIT News, i risultati principali del modello includevano materiali che erano stati identificati in modo indipendente come candidati promettenti, e il sistema ha sovraperformato una base di solo testo quando sono state fornite query in linguaggio naturale che descrivevano una proprietà e veniva chiesto di trovare cristalli con quella proprietà.
"La struttura è davvero al centro del campo della scienza dei materiali", ha detto Li. "Se si comprende la struttura, si possono dedurre molte cose sulle proprietà e sulle prestazioni dei materiali. Volevamo creare una connessione tra la struttura atomica di un materiale e le sue proprietà e l'elaborazione per il modello."
Dove si inserisce la scoperta dei materiali basata sull'intelligenza artificiale
Over the past decade, AI has already reshaped how new crystals are proposed and designed; la maggior parte di questi sistemi, tuttavia, trattano i materiali cristallini come grafici tridimensionali elaborati da architetture specializzate, separate dai modelli linguistici che alimentano l’IA generica. Insegnando a un modello basato sul linguaggio a percepire direttamente la geometria, il lavoro del MIT punta verso assistenti che un giorno potrebbero gestire una richiesta di materiali espressa in inglese semplice dall'inizio alla fine.
Il gruppo di ricerca comprendeva il primo autore Yang Jeong Park, ex postdoc del MIT, insieme a Mayank Kumaran, un neolaureato in ingegneria informatica Urbana-Champaign dell'Università dell'Illinois, Chia-Wei Hsu, ed Elsa Olivetti, Jerry McAfee (1940) professore di ingegneria al MIT.
Cosa verrà dopo
The model remains a research system, and MIT has not announced any productization. Ma le implicazioni sono ampie: gli elettroliti allo stato solido erano un caso di prova e lo stesso approccio struttura-più-linguaggio potrebbe applicarsi a catalizzatori, semiconduttori o materiali strutturali. Se l’approccio si generalizza, il collo di bottiglia nella scoperta dei materiali potrebbe spostarsi dalla generazione dei cristalli candidati alla loro convalida in laboratorio: un cambiamento che gli sperimentali probabilmente apprezzerebbero.
---
Stai al passo con l'intelligenza artificialeRicevi le ultime notizie, analisi e scoperte sull'intelligenza artificiale, tutto in un unico posto.
Leggi altre notizie sull'AI →
