Em princípio, a inteligência artificial poderia fazer com que encontrar o material certo para um trabalho fosse tão fácil quanto pedir o jantar: descreva o que você precisa para um grande modelo de linguagem e ele lhe entregará um cristal projetado para a tarefa. Na prática, esse cenário permaneceu fora de alcance, porque os modelos por trás dos chatbots de hoje nunca viram realmente a aparência da maioria dos materiais.
Os pesquisadores do MIT relatam que deram um passo concreto para consertar isso. Em um novo artigo publicado na Nature Communications, uma equipe do Departamento de Ciência e Engenharia de Materiais (DMSE) do MIT descreve um modelo multimodal de IA que combina estruturas atômicas tridimensionais com descrições em linguagem natural, permitindo que o sistema raciocine sobre geometria cristalina e texto ao mesmo tempo. De acordo com o MIT News, o modelo identifica melhores designs de materiais do que sistemas treinados apenas em texto, permitindo que a IA veja os arranjos atômicos e os padrões de ligação que determinam como os materiais se comportam. O trabalho se soma a uma extensa área de cobertura da indústria de IA focada em modelos que vão além do texto e entram no mundo físico.
Por que os modelos treinados em texto tropeçam na matéria
O obstáculo é fundamentalmente relacionado aos dados. A maioria dos materiais são cristalinos: arranjos tridimensionais e periódicos de átomos cujas estruturas são armazenadas em formatos computacionais especializados, em vez de fluxos de texto nos quais grandes modelos de linguagem são treinados. Além disso, a literatura experimental é fortemente inclinada para algumas classes populares de cristais, o que distorce os resultados de qualquer IA treinada principalmente em artigos publicados.
O resultado é um ponto cego com consequências reais. Mais de 90 por cento dos materiais sólidos na Terra são cristalinos, e muitas das estruturas que poderiam ser importantes para baterias, electrónica ou catalisadores da próxima geração vivem em bases de dados computacionais que os sistemas apenas de linguagem não conseguem ler.
Ensinando um modelo para alinhar a estrutura com a linguagem
A resposta da equipe do MIT foi construir o que é efetivamente um modelo de linguagem de visão para cristais. Os pesquisadores treinaram um modelo de linguagem para produzir descrições textuais de estruturas cristalinas usando aprendizagem contrastiva, uma abordagem na qual um modelo compara exemplos semelhantes e diferentes de estruturas e descrições até desenvolver uma compreensão unificada – um processo que o MIT compara ao modo como o cérebro alinha suas regiões visuais e de linguagem.
Fundamentalmente, a equipa optou por sintetizar as suas próprias narrativas sobre os materiais, em vez de se basear apenas em documentos existentes. Baseando-se na literatura de pesquisa experimental e em bancos de dados computacionais de primeiros princípios, o modelo gerou descrições ricas cobrindo não apenas a composição e estrutura química, mas também propriedades, considerações de processamento e aplicações potenciais.
“Queríamos criar um modelo de IA que funcionasse amplamente em materiais”, disse Ju Li, professor Carl Richard Soderberg em Engenharia de Energia no MIT e autor sênior do artigo. "É por isso que decidimos sintetizar narrativas em vez de confiar apenas em artigos existentes. Descobrimos que quando usamos esse conjunto de dados narrativos, os modelos são melhores para prever a função."
O teste: Encontrando eletrólitos de bateria de estado sólido
Para avaliar a abordagem, os pesquisadores compararam duas versões do modelo: uma treinada nas descrições estruturais geradas por IA e outra treinada apenas em textos de artigos de pesquisa. A versão treinada nas descrições sintetizadas aprendeu com sucesso a alinhar estruturas geométricas com a linguagem, enquanto a versão somente texto não o fez.
A equipe então pediu ao modelo que identificasse materiais cristalinos adequados para eletrólitos de baterias de íons de lítio de estado sólido – um desafio importante para baterias de próxima geração. De acordo com o MIT News, os principais resultados do modelo incluíram materiais que foram identificados de forma independente como candidatos promissores, e o sistema superou uma linha de base somente texto quando recebeu consultas em linguagem natural descrevendo uma propriedade e foi solicitado a encontrar cristais com essa propriedade.
"A estrutura está realmente no centro do campo da ciência dos materiais", disse Li. "Se você entende a estrutura, pode inferir bastante sobre as propriedades e o desempenho dos materiais. Queríamos construir a conexão entre a estrutura atômica de um material e suas propriedades e processamento para o modelo."
Onde isso se encaixa na descoberta de materiais orientada por IA
Na última década, a IA já remodelou a forma como novos cristais são propostos e projetados; a maioria desses sistemas, entretanto, trata os materiais cristalinos como gráficos tridimensionais processados por arquiteturas especializadas, separados dos modelos de linguagem que alimentam a IA de uso geral. Ao ensinar um modelo baseado em linguagem para perceber diretamente a geometria, o trabalho do MIT aponta para assistentes que poderiam um dia lidar com uma solicitação de materiais declarada em inglês simples, de ponta a ponta.
A equipe de pesquisa incluiu o primeiro autor Yang Jeong Park, um ex-pós-doutorado do MIT, junto com Mayank Kumaran, um recém-formado em engenharia da computação pela Universidade de Illinois Urbana-Champaign, Chia-Wei Hsu, e Elsa Olivetti, Jerry McAfee (1940) Professor em Engenharia no MIT.
O que vem a seguir
O modelo continua sendo um sistema de pesquisa e o MIT não anunciou nenhuma produção. Mas as implicações são amplas: os eletrólitos de estado sólido foram um caso de teste, e a mesma abordagem de estrutura mais linguagem poderia ser aplicada a catalisadores, semicondutores ou materiais estruturais. Se a abordagem se generalizar, o gargalo na descoberta de materiais pode passar da geração de cristais candidatos para a validação deles em laboratório – uma mudança que os experimentalistas provavelmente receberiam bem.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
