Pada dasarnya, kecerdasan buatan boleh menjadikan pencarian bahan yang sesuai untuk kerja semudah memesan makan malam: terangkan perkara yang anda perlukan kepada model bahasa yang besar, dan ia memberikan anda kristal yang direka untuk tugas itu. Dalam amalan, senario itu masih di luar jangkauan, kerana model di sebalik chatbots hari ini tidak pernah benar-benar melihat rupa kebanyakan bahan.
Penyelidik MIT melaporkan mereka telah mengambil langkah konkrit ke arah membetulkannya. Dalam makalah baharu yang diterbitkan dalam Nature Communications, satu pasukan dari Jabatan Sains dan Kejuruteraan Bahan (DMSE) MIT menerangkan model AI multimodal yang menggabungkan struktur atom tiga dimensi dengan perihalan bahasa semula jadi, membenarkan sistem membuat alasan tentang geometri kristal dan teks pada masa yang sama. Menurut MIT News, model itu mengenal pasti reka bentuk bahan yang lebih baik daripada sistem yang dilatih pada teks sahaja dengan membenarkan AI melihat susunan atom dan corak ikatan yang menentukan bagaimana bahan berkelakuan. Kerja ini menambah kesibukan liputan industri AI yang memfokuskan pada model yang bergerak melangkaui teks dan ke dunia fizikal.
Mengapa Model Terlatih Teks Tersandung Mengenai Perkara
Halangan pada asasnya adalah mengenai data. Kebanyakan bahan adalah hablur: tiga dimensi, susunan berkala atom yang strukturnya disimpan dalam format pengiraan khusus dan bukannya aliran teks yang model bahasa besar dilatih. Selain itu, kesusasteraan eksperimen sangat berat sebelah terhadap beberapa kelas kristal yang popular, yang memesongkan output mana-mana AI yang dilatih terutamanya pada kertas yang diterbitkan.
Hasilnya adalah titik buta dengan akibat sebenar. Lebih daripada 90 peratus bahan pepejal di Bumi adalah kristal, dan banyak struktur yang mungkin penting untuk bateri generasi akan datang, elektronik atau pemangkin hidup dalam pangkalan data pengiraan yang sistem bahasa sahaja secara berkesan tidak dapat membaca.
Mengajar Model untuk Menjajarkan Struktur Dengan Bahasa
Jawapan pasukan MIT adalah untuk membina model bahasa penglihatan yang berkesan untuk kristal. Para penyelidik melatih model bahasa untuk menghasilkan penerangan teks struktur kristal menggunakan pembelajaran kontrastif, pendekatan di mana model membandingkan contoh struktur dan penerangan yang serupa dan tidak serupa sehingga ia membangunkan pemahaman bersatu - proses MIT membandingkan dengan cara otak menyelaraskan kawasan visual dan bahasanya.
Yang penting, pasukan itu memilih untuk mensintesis naratifnya sendiri tentang bahan daripada bergantung semata-mata pada kertas sedia ada. Berdasarkan kesusasteraan penyelidikan eksperimen dan pangkalan data pengiraan prinsip pertama, model ini menghasilkan penerangan yang kaya meliputi bukan sahaja komposisi dan struktur kimia, tetapi juga sifat, pertimbangan pemprosesan dan aplikasi yang berpotensi.
"Kami mahu mencipta model AI yang berfungsi secara meluas merentas bahan," kata Ju Li, Profesor Carl Richard Soderberg dalam Kejuruteraan Kuasa di MIT dan pengarang kanan di atas kertas itu. "Itulah sebabnya kami memutuskan untuk mensintesis naratif dan bukannya bergantung semata-mata pada kertas sedia ada. Kami mendapati apabila kami menggunakan set data naratif itu, model lebih baik dalam meramalkan fungsi itu."
Ujian: Mencari Elektrolit Bateri Keadaan Pepejal
Untuk menilai pendekatan, penyelidik membandingkan dua versi model: satu terlatih pada penerangan struktur yang dijana AI dan satu terlatih hanya pada teks daripada kertas penyelidikan. Versi yang dilatih mengenai perihalan yang disintesis berjaya mempelajari untuk menjajarkan struktur geometri dengan bahasa, manakala versi teks sahaja tidak.
Pasukan itu kemudian meminta model untuk mengenal pasti bahan kristal yang sesuai untuk elektrolit bateri litium-ion keadaan pepejal - cabaran utama untuk bateri generasi akan datang. Menurut MIT News, hasil teratas model itu termasuk bahan yang telah dikenal pasti secara bebas sebagai calon yang menjanjikan, dan sistem itu mengatasi garis dasar teks sahaja apabila diberikan pertanyaan bahasa semula jadi yang menerangkan sifat dan diminta untuk mencari kristal dengan sifat itu.
"Struktur benar-benar di tengah-tengah bidang sains bahan, " kata Li. "Jika anda memahami strukturnya, anda boleh membuat kesimpulan banyak tentang sifat dan prestasi bahan. Kami ingin membina hubungan antara struktur atom bahan dan sifat dan pemprosesannya untuk model."
Di mana Ini Sesuai dalam Penemuan Bahan Didorong AI
Sepanjang dekad yang lalu, AI telah membentuk semula cara kristal baharu dicadangkan dan direka bentuk; kebanyakan sistem tersebut, walau bagaimanapun, menganggap bahan kristal sebagai graf tiga dimensi yang diproses oleh seni bina khusus, berasingan daripada model bahasa yang menguasakan AI tujuan umum. Dengan mengajar model berasaskan bahasa untuk melihat geometri secara langsung, kerja MIT menunjuk ke arah pembantu yang suatu hari nanti boleh mengendalikan permintaan bahan yang dinyatakan dalam bahasa Inggeris biasa hujung ke hujung.
Pasukan penyelidik termasuk pengarang pertama Yang Jeong Park, bekas pasca MIT, bersama Mayank Kumaran, graduan kejuruteraan komputer Universiti Illinois Urbana-Champaign baru-baru ini, Chia-Wei Hsu, dan Elsa Olivetti, Profesor Jerry McAfee (1940) dalam Kejuruteraan di MIT.
Apa Yang Akan Datang
Model ini kekal sebagai sistem penyelidikan, dan MIT belum mengumumkan sebarang pengeluaran. Tetapi implikasinya adalah luas: elektrolit keadaan pepejal adalah satu kes ujian, dan pendekatan struktur-tambah-bahasa yang sama boleh digunakan untuk pemangkin, semikonduktor atau bahan struktur. Jika pendekatan itu digeneralisasikan, kesesakan dalam penemuan bahan mungkin beralih daripada menjana kristal calon kepada mengesahkannya dalam makmal - ahli eksperimen peralihan mungkin dialu-alukan.
---
Kekal Mendahului AIDapatkan berita, analisis dan penemuan terkini AI — semuanya di satu tempat.
Baca lebih banyak berita AI →
