원칙적으로 인공 지능은 저녁 식사를 주문하는 것만큼 쉽게 작업에 적합한 자료를 찾을 수 있게 해줍니다. 대규모 언어 모델에 필요한 것을 설명하면 작업에 맞게 설계된 수정을 건네줍니다. 실제로, 오늘날의 챗봇 뒤에 있는 모델은 대부분의 자료가 어떻게 보이는지 실제로 본 적이 없기 때문에 그러한 시나리오는 도달할 수 없는 상태로 남아 있습니다.

MIT 연구원들은 이 문제를 해결하기 위한 구체적인 조치를 취했다고 보고합니다. MIT 재료과학 및 공학부(DMSE) 팀은 Nature Communications에 발표된 새 논문에서 3차원 원자 구조와 자연어 설명을 결합하여 시스템이 결정 기하학과 텍스트를 동시에 추론할 수 있게 하는 다중 모드 AI 모델을 설명합니다. MIT 뉴스에 따르면 이 모델은 AI가 재료의 작동 방식을 결정하는 원자 배열과 결합 패턴을 볼 수 있도록 함으로써 텍스트만으로 훈련된 시스템보다 더 나은 재료 설계를 식별합니다. 이 작업은 텍스트를 넘어 실제 세계로 이동하는 모델에 초점을 맞춘 바쁜 AI 산업 보도에 추가됩니다.

텍스트 학습 모델이 문제에 부딪히는 이유

장애물은 근본적으로 데이터에 관한 것입니다. 대부분의 물질은 결정질입니다. 즉, 대규모 언어 모델이 훈련되는 텍스트 스트림이 아닌 특수한 계산 형식으로 구조가 저장되는 원자의 3차원 주기적인 배열입니다. 게다가 실험 문헌은 몇 가지 인기 있는 결정 클래스에 크게 편향되어 있으며, 이는 주로 출판된 논문을 통해 훈련된 AI의 출력을 왜곡합니다.

결과는 실제 결과가 있는 맹점입니다. 지구상의 고체 물질 중 90% 이상이 결정질이며, 차세대 배터리, 전자 장치 또는 촉매에 중요할 수 있는 많은 구조가 언어 전용 시스템으로는 효과적으로 읽을 수 없는 컴퓨터 데이터베이스에 존재합니다.

구조를 언어에 맞게 정렬하도록 모델 교육

MIT 팀의 대답은 결정에 대한 비전 언어 모델을 효과적으로 구축하는 것이었습니다. 연구원들은 대조 학습을 사용하여 결정 구조에 대한 텍스트 설명을 생성하도록 언어 모델을 훈련시켰습니다. 이 접근 방식은 모델이 통일된 이해를 개발할 때까지 구조와 설명의 유사하거나 다른 예를 비교하는 접근 방식입니다. MIT는 이 프로세스를 뇌가 시각 영역과 언어 영역을 정렬하는 방법과 비교합니다.

결정적으로 팀은 기존 논문에만 의존하기보다는 재료에 대한 자체 내러티브를 종합하기로 결정했습니다. 실험적 연구 문헌과 제1원리 계산 데이터베이스를 바탕으로 이 모델은 화학적 조성과 구조뿐만 아니라 특성, 처리 고려 사항 및 잠재적 응용 분야를 포괄하는 풍부한 설명을 생성했습니다.

MIT 전력공학과 칼 리처드 소더버그 교수이자 해당 논문의 수석 저자인 Ju Li는 "우리는 재료 전반에 걸쳐 광범위하게 작동하는 AI 모델을 만들고 싶었습니다."라고 말했습니다. "이것이 우리가 기존 논문에만 의존하기보다는 내러티브를 합성하기로 결정한 이유입니다. 우리는 해당 내러티브 데이터 세트를 사용했을 때 모델이 기능을 더 잘 예측한다는 것을 발견했습니다."

테스트: 전고체 배터리 전해질 찾기

접근 방식을 평가하기 위해 연구원들은 모델의 두 가지 버전을 비교했습니다. 하나는 AI 생성 구조 설명에 대해 훈련되었고 다른 하나는 연구 논문의 텍스트에 대해서만 훈련되었습니다. 합성된 설명으로 훈련된 버전은 기하학적 구조를 언어와 정렬하는 방법을 성공적으로 학습한 반면, 텍스트 전용 버전은 그렇지 않았습니다.

그런 다음 팀은 차세대 배터리의 핵심 과제인 전고체 리튬 이온 배터리 전해질에 적합한 결정질 재료를 식별하도록 모델에 요청했습니다. MIT News에 따르면 모델의 최고 결과에는 유망한 후보로 독립적으로 식별된 재료가 포함되었으며 시스템은 속성을 설명하는 자연어 쿼리가 제공되고 해당 속성이 있는 결정을 찾도록 요청했을 때 텍스트 전용 기준보다 성능이 뛰어났습니다.

"구조는 실제로 재료 과학 분야의 핵심입니다"라고 Li는 말했습니다. "구조를 이해하면 재료의 특성과 성능에 대해 상당히 많은 것을 유추할 수 있습니다. 우리는 재료의 원자 구조와 그 특성 및 처리 사이의 연결을 모델에 구축하고 싶었습니다."

AI 기반 재료 발견에 적합한 곳

지난 10년 동안 AI는 이미 새로운 결정이 제안되고 설계되는 방식을 재구성했습니다. 그러나 대부분의 시스템은 범용 AI를 지원하는 언어 모델과 별도로 결정질 물질을 특수 아키텍처로 처리된 3차원 그래프로 처리합니다. 기하학을 직접 인식하도록 언어 기반 모델을 교육함으로써 MIT 작업은 언젠가 일반 영어로 명시된 자료 요청을 처음부터 끝까지 처리할 수 있는 보조자를 지향합니다.

연구팀에는 제1저자로 전 MIT 박사후 연구원이었던 박양정, 최근 일리노이대학교 어바나-샴페인 컴퓨터공학을 졸업한 Mayank Kumaran, Chia-Wei Hsu, MIT 공학과 교수인 Jerry McAfee(1940) Elsa Olivetti가 포함되었습니다.

다음은 무엇입니까?

이 모델은 연구 시스템으로 남아 있으며 MIT는 제품화를 발표하지 않았습니다. 그러나 그 의미는 광범위합니다. 고체 전해질은 하나의 테스트 사례였으며 동일한 구조와 언어 접근 방식이 촉매, 반도체 또는 구조 재료에 적용될 수 있습니다. 접근 방식이 일반화되면 재료 발견의 병목 현상이 후보 결정 생성에서 실험실에서 검증으로 바뀔 수 있습니다. 이러한 변화는 실험가들이 환영할 것입니다.

---

AI보다 앞서 나가세요

최신 AI 뉴스, 분석, 획기적인 소식을 모두 한 곳에서 받아보세요.

AI 뉴스 자세히 보기 →