In principe zou kunstmatige intelligentie het vinden van het juiste materiaal voor een klus net zo eenvoudig kunnen maken als het bestellen van een etentje: beschrijf wat je nodig hebt in een groot taalmodel en je krijgt een kristal dat voor de taak is ontworpen. In de praktijk is dat scenario buiten bereik gebleven, omdat de modellen achter de huidige chatbots eigenlijk nooit hebben gezien hoe de meeste materialen eruitzien.

MIT-onderzoekers melden dat ze een concrete stap hebben gezet om dit op te lossen. In een nieuw artikel gepubliceerd in Nature Communications beschrijft een team van MIT's Department of Materials Science and Engineering (DMSE) een multimodaal AI-model dat driedimensionale atomaire structuren combineert met beschrijvingen in natuurlijke taal, waardoor het systeem tegelijkertijd over kristalgeometrie en tekst kan redeneren. Volgens MIT News identificeert het model betere materiaalontwerpen dan systemen die alleen op tekst zijn getraind, doordat de AI de atomaire arrangementen en bindingspatronen kan zien die bepalen hoe materialen zich gedragen. Het werk draagt ​​bij aan een druk traject van de berichtgeving over de AI-industrie gericht op modellen die verder gaan dan tekst en naar de fysieke wereld gaan.

Waarom tekstgeschoolde modellen op materie stuiten

Het obstakel gaat fundamenteel over data. De meeste materialen zijn kristallijn: driedimensionale, periodieke rangschikkingen van atomen waarvan de structuren zijn opgeslagen in gespecialiseerde computerformaten in plaats van de tekststromen waarop grote taalmodellen zijn getraind. Bovendien is de experimentele literatuur sterk gericht op een paar populaire klassen kristallen, waardoor de resultaten van AI die voornamelijk op gepubliceerde artikelen is getraind, vertekend zijn.

Het resultaat is een blinde vlek met reële gevolgen. Meer dan 90 procent van de vaste materialen op aarde is kristallijn, en veel van de structuren die van belang kunnen zijn voor batterijen, elektronica of katalysatoren van de volgende generatie, leven in computationele databases die systemen die alleen op taal gebaseerd zijn feitelijk niet kunnen lezen.

Een model leren om structuur op één lijn te brengen met taal

Het antwoord van het MIT-team was het bouwen van wat in feite een visietaalmodel voor kristallen is. De onderzoekers hebben een taalmodel getraind om tekstuele beschrijvingen van kristalstructuren te produceren met behulp van contrastief leren, een aanpak waarbij een model vergelijkbare en ongelijke voorbeelden van structuren en beschrijvingen vergelijkt totdat het een uniform begrip ontwikkelt – een proces dat MIT vergelijkt met hoe de hersenen hun visuele en taalgebieden op één lijn brengen.

Cruciaal was dat het team ervoor koos om zijn eigen verhalen over materialen te synthetiseren in plaats van uitsluitend te vertrouwen op bestaande papieren. Op basis van experimentele onderzoeksliteratuur en computationele databases met de eerste beginselen genereerde het model rijke beschrijvingen die niet alleen de chemische samenstelling en structuur omvatten, maar ook eigenschappen, verwerkingsoverwegingen en mogelijke toepassingen.

"We wilden een AI-model creëren dat breed werkt voor alle materialen", zegt Ju Li, Carl Richard Soderberg Professor in Power Engineering aan het MIT en senior auteur van het artikel. "Daarom hebben we besloten om verhalen te synthetiseren in plaats van uitsluitend op bestaande artikelen te vertrouwen. We ontdekten dat toen we die verhalende dataset gebruikten, de modellen de functie beter konden voorspellen."

De test: het vinden van elektrolyten in vaste-stofbatterijen

Om de aanpak te evalueren, vergeleken de onderzoekers twee versies van het model: één die was getraind op de door AI gegenereerde structurele beschrijvingen en één die alleen was getraind op tekst uit onderzoekspapers. De versie die was getraind op de gesynthetiseerde beschrijvingen leerde met succes geometrische structuren op één lijn te brengen met de taal, terwijl de versie met alleen tekst dat niet deed.

Het team vroeg het model vervolgens om kristallijne materialen te identificeren die geschikt zijn voor elektrolyten van lithium-ionbatterijen in vaste toestand – een belangrijke uitdaging voor batterijen van de volgende generatie. Volgens MIT News omvatten de beste resultaten van het model materialen die onafhankelijk waren geïdentificeerd als veelbelovende kandidaten, en presteerde het systeem beter dan een basislijn met alleen tekst bij het geven van zoekopdrachten in natuurlijke taal die een eigenschap beschrijven en werd gevraagd kristallen met die eigenschap te vinden.

"Structuur vormt echt de kern van het veld van de materiaalkunde", zei Li. "Als je de structuur begrijpt, kun je heel veel afleiden over de eigenschappen en prestaties van materialen. We wilden het verband leggen tussen de atomaire structuur van een materiaal en zijn eigenschappen en verwerking voor het model."

Waar dit past bij AI-gestuurde materiaalontdekking

De afgelopen tien jaar heeft AI de manier waarop nieuwe kristallen worden voorgesteld en ontworpen al opnieuw vormgegeven; De meeste van deze systemen behandelen kristallijne materialen echter als driedimensionale grafieken die worden verwerkt door gespecialiseerde architecturen, los van de taalmodellen die AI voor algemeen gebruik aandrijven. Door een op taal gebaseerd model te leren om geometrie direct waar te nemen, wijst het MIT-werk in de richting van assistenten die op een dag een materiaalverzoek in eenvoudig Engels van begin tot eind zouden kunnen afhandelen.

Het onderzoeksteam bestond uit eerste auteur Yang Jeong Park, een voormalig MIT-postdoc, samen met Mayank Kumaran, recent afgestudeerd aan de Universiteit van Illinois Urbana-Champaign computertechniek, Chia-Wei Hsu, en Elsa Olivetti, de Jerry McAfee (1940) Professor in Engineering aan MIT.

Wat komt erna

Het model blijft een onderzoekssysteem en MIT heeft geen enkele productisering aangekondigd. Maar de implicaties zijn breed: elektrolyten in vaste toestand waren één testcase, en dezelfde structuur-plus-taalbenadering zou van toepassing kunnen zijn op katalysatoren, halfgeleiders of structurele materialen. Als de aanpak generaliseert, kan het knelpunt bij het ontdekken van materialen verschuiven van het genereren van kandidaat-kristallen naar het valideren ervan in het laboratorium – een verschuiving die experimentatoren waarschijnlijk zouden verwelkomen.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →