W zasadzie sztuczna inteligencja może sprawić, że znalezienie odpowiedniego materiału do pracy będzie tak proste, jak zamówienie obiadu: opisz, czego potrzebujesz, w dużym modelu językowym, a wręczy ci kryształ przeznaczony do tego zadania. W praktyce taki scenariusz pozostawał poza zasięgiem, ponieważ modele stojące za dzisiejszymi chatbotami nigdy tak naprawdę nie widziały, jak wygląda większość materiałów.
Badacze z MIT donoszą, że podjęli konkretny krok w kierunku naprawienia tego problemu. W nowym artykule opublikowanym w Nature Communications zespół z Wydziału Nauki i Inżynierii Materiałowej (DMSE) MIT opisuje multimodalny model sztucznej inteligencji, który łączy trójwymiarowe struktury atomowe z opisami w języku naturalnym, umożliwiając systemowi jednoczesne rozumowanie na temat geometrii kryształów i tekstu. Według MIT News model identyfikuje lepsze projekty materiałów niż systemy wyszkolone na samym tekście, umożliwiając sztucznej inteligencji zobaczenie układu atomów i wzorców wiązania, które określają zachowanie materiałów. Ta praca stanowi uzupełnienie obszernego doniesienia o branży AI skupiającego się na modelach wykraczających poza tekst i wkraczających w świat fizyczny.
Dlaczego modele wyszkolone za pomocą tekstu potykają się o materię
Przeszkodą są zasadniczo dane. Większość materiałów ma charakter krystaliczny: trójwymiarowe, okresowe układy atomów, których struktury są przechowywane w wyspecjalizowanych formatach obliczeniowych, a nie w strumieniach tekstowych, na których szkolone są duże modele językowe. Co więcej, literatura eksperymentalna jest mocno ukierunkowana na kilka popularnych klas kryształów, co wypacza wyniki jakiejkolwiek sztucznej inteligencji trenowanej głównie na podstawie opublikowanych artykułów.
Rezultatem jest martwy punkt z realnymi konsekwencjami. Ponad 90 procent materiałów stałych na Ziemi ma charakter krystaliczny, a wiele struktur, które mogą mieć znaczenie dla baterii, elektroniki i katalizatorów nowej generacji, żyje w obliczeniowych bazach danych, których systemy wyłącznie językowe w rzeczywistości nie są w stanie odczytać.
Nauczanie modelu dopasowywania struktury do języka
Odpowiedzią zespołu z MIT było zbudowanie modelu języka wizyjnego dla kryształów. Naukowcy wyszkolili model językowy do tworzenia tekstowych opisów struktur krystalicznych przy użyciu uczenia się kontrastowego. Jest to podejście, w którym model porównuje podobne i odmienne przykłady struktur i opisów, aż do uzyskania jednolitego zrozumienia – proces ten MIT porównuje do tego, jak mózg dopasowuje swoje obszary wzrokowe i językowe.
Co najważniejsze, zespół zdecydował się na syntezę własnych narracji na temat materiałów, zamiast polegać wyłącznie na istniejących dokumentach. Opierając się na literaturze z badań eksperymentalnych i bazach danych obliczeniowych zawierających podstawowe zasady, model wygenerował bogate opisy obejmujące nie tylko skład i strukturę chemiczną, ale także właściwości, rozważania dotyczące przetwarzania i potencjalne zastosowania.
„Chcieliśmy stworzyć model sztucznej inteligencji, który będzie działał szeroko w różnych materiałach” – powiedział Ju Li, profesor energetyki Carla Richarda Soderberga na MIT i starszy autor artykułu. „Dlatego zdecydowaliśmy się na syntezę narracji, zamiast opierać się wyłącznie na istniejących dokumentach. Kiedy korzystaliśmy z tego narracyjnego zbioru danych, odkryliśmy, że modele lepiej przewidują funkcję”.
Test: znajdowanie elektrolitów w akumulatorach półprzewodnikowych
Aby ocenić to podejście, badacze porównali dwie wersje modelu: jedną wytrenowaną w oparciu o opisy strukturalne wygenerowane przez sztuczną inteligencję i drugą wyszkoloną wyłącznie w oparciu o tekst z artykułów naukowych. Wersja ucząca się na syntetycznych opisach z powodzeniem nauczyła się dopasowywać struktury geometryczne do języka, podczas gdy wersja tekstowa nie.
Następnie zespół poprosił model o zidentyfikowanie materiałów krystalicznych nadających się na półprzewodnikowe elektrolity do akumulatorów litowo-jonowych, co stanowi kluczowe wyzwanie dla akumulatorów nowej generacji. Według MIT News najlepsze wyniki modelu obejmowały materiały, które niezależnie zidentyfikowano jako obiecujące kandydatów, a system uzyskał lepsze wyniki niż bazowy tekst w przypadku zapytań w języku naturalnym opisujących właściwość i proszących o znalezienie kryształów posiadających tę właściwość.
„Struktura jest sercem nauki o materiałach” – powiedział Li. „Jeśli rozumiesz strukturę, możesz sporo wnioskować na temat właściwości i wydajności materiałów. Chcieliśmy zbudować powiązanie między strukturą atomową materiału a jego właściwościami i przetwarzaniem na potrzeby modelu”.
Gdzie to pasuje w odkrywaniu materiałów sterowanym przez sztuczną inteligencję
W ciągu ostatniej dekady sztuczna inteligencja zmieniła już sposób proponowania i projektowania nowych kryształów; większość tych systemów traktuje jednak materiały krystaliczne jako trójwymiarowe wykresy przetwarzane przez wyspecjalizowane architektury, niezależne od modeli językowych obsługujących sztuczną inteligencję ogólnego przeznaczenia. Ucząc model językowy bezpośredniego postrzegania geometrii, prace MIT wskazują na asystentów, którzy pewnego dnia mogliby kompleksowo obsłużyć zapotrzebowanie na materiały określone prostym językiem angielskim.
W skład zespołu badawczego wchodzili pierwszy autor Yang Jeong Park, były postdoc w MIT, a także Mayank Kumaran, niedawny absolwent inżynierii komputerowej na Uniwersytecie Illinois Urbana-Champaign, Chia-Wei Hsu i Elsa Olivetti, profesor inżynierii Jerry'ego McAfee (1940) w MIT.
Co będzie dalej
Model pozostaje systemem badawczym, a MIT nie ogłosił żadnej produkcji. Jednak implikacje są szerokie: elektrolity w stanie stałym były jednym przypadkiem testowym, a to samo podejście oparte na strukturze i języku można zastosować do katalizatorów, półprzewodników lub materiałów konstrukcyjnych. Jeśli podejście to zostanie uogólnione, wąskie gardło w odkrywaniu materiałów może przesunąć się z generowania potencjalnych kryształów na sprawdzanie ich w laboratorium, co prawdopodobnie z radością przyjęliby eksperymentatorzy.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
