I princip kan artificiell intelligens göra det lika enkelt att hitta rätt material för ett jobb som att beställa middag: beskriv vad du behöver för en stor språkmodell och den ger dig en kristall designad för uppgiften. I praktiken har det scenariot varit utom räckhåll, eftersom modellerna bakom dagens chatbots faktiskt aldrig har sett hur de flesta material ser ut.
MIT-forskare rapporterar att de har tagit ett konkret steg mot att fixa det. I en ny artikel publicerad i Nature Communications beskriver ett team från MIT:s institution för materialvetenskap och teknik (DMSE) en multimodal AI-modell som kombinerar tredimensionella atomära strukturer med beskrivningar på naturliga språk, vilket låter systemet resonera om kristallgeometri och text samtidigt. Enligt MIT News identifierar modellen bättre materialdesign än system som tränas på enbart text genom att tillåta AI att se atomarrangemang och bindningsmönster som avgör hur material beter sig. Arbetet lägger till en hektisk del av AI-branschens täckning fokuserat på modeller som rör sig bortom text och in i den fysiska världen.
Varför textutbildade modeller snubblar över materia
Hindret handlar i grunden om data. De flesta material är kristallina: tredimensionella, periodiska arrangemang av atomer vars strukturer lagras i specialiserade beräkningsformat snarare än de textströmmar som stora språkmodeller tränas på. Utöver det är den experimentella litteraturen starkt partisk mot några populära klasser av kristaller, vilket snedvrider utdata från alla AI som tränas främst på publicerade artiklar.
Resultatet är en blind fläck med verkliga konsekvenser. Mer än 90 procent av det fasta materialet på jorden är kristallint, och många av de strukturer som kan ha betydelse för nästa generations batterier, elektronik eller katalysatorer lever i beräkningsdatabaser som system med enbart språk effektivt inte kan läsa.
Att lära ut en modell för att anpassa struktur med språk
MIT-teamets svar var att bygga vad som faktiskt är en vision-språkmodell för kristaller. Forskarna tränade en språkmodell för att producera textbeskrivningar av kristallstrukturer med hjälp av kontrastiv inlärning, ett tillvägagångssätt där en modell jämför liknande och olika exempel på strukturer och beskrivningar tills den utvecklar en enhetlig förståelse - en process som MIT jämför med hur hjärnan anpassar sina visuella och språkliga regioner.
Det avgörande var att teamet valde att syntetisera sina egna berättelser om material snarare än att enbart förlita sig på befintliga papper. Med utgångspunkt i experimentell forskningslitteratur och beräkningsdatabaser med de första principerna, genererade modellen rika beskrivningar som täcker inte bara kemisk sammansättning och struktur, utan också egenskaper, bearbetningsöverväganden och potentiella tillämpningar.
"Vi ville skapa en AI-modell som fungerar brett över material", säger Ju Li, professor i kraftteknik vid MIT från Carl Richard Söderberg och en senior författare på tidningen. "Det är därför vi bestämde oss för att syntetisera berättelser snarare än att förlita oss enbart på befintliga papper. Vi upptäckte att när vi använde den narrativa datamängden är modellerna bättre på att förutsäga funktionen."
Testet: Hitta solid-state batterielektrolyter
För att utvärdera tillvägagångssättet jämförde forskarna två versioner av modellen: en utbildad på de AI-genererade strukturbeskrivningarna och en utbildad endast på text från forskningsartiklar. Den version som tränades på de syntetiserade beskrivningarna lärde sig framgångsrikt att anpassa geometriska strukturer med språket, medan versionen med enbart text inte gjorde det.
Teamet bad sedan modellen att identifiera kristallina material som lämpar sig för elektrolyter från solid-state litiumjonbatterier - en viktig utmaning för nästa generations batterier. Enligt MIT News inkluderade modellens toppresultat material som oberoende identifierats som lovande kandidater, och systemet överträffade en baslinje för endast text när det gavs frågor på naturligt språk som beskrev en egenskap och bad att hitta kristaller med den egenskapen.
"Struktur är verkligen kärnan i materialvetenskapsområdet," sa Li. "Om man förstår strukturen kan man sluta sig till ganska mycket om egenskaper och prestanda hos material. Vi ville bygga sambandet mellan ett material atomstruktur och dess egenskaper och bearbetning för modellen."
Där detta passar i AI-driven materialupptäckt
Under det senaste decenniet har AI redan omformat hur nya kristaller föreslås och designas; de flesta av dessa system behandlar emellertid kristallina material som tredimensionella grafer som bearbetas av specialiserade arkitekturer, åtskilda från språkmodellerna som driver allmän AI. Genom att lära en språkbaserad modell att uppfatta geometri direkt, pekar MIT-arbetet mot assistenter som en dag skulle kunna hantera en materialförfrågan som anges på vanlig engelska från början till slut.
Forskargruppen inkluderade försteförfattaren Yang Jeong Park, en före detta postdoc vid MIT, tillsammans med Mayank Kumaran, en nyutexaminerad datortekniker vid University of Illinois Urbana-Champaign, Chia-Wei Hsu, och Elsa Olivetti, Jerry McAfee (1940) professor i teknik vid MIT.
Vad kommer härnäst
Modellen förblir ett forskningssystem och MIT har inte aviserat någon produktisering. Men konsekvenserna är breda: elektrolyter i fast tillstånd var ett testfall, och samma tillvägagångssätt för struktur-plus-språk skulle kunna tillämpas på katalysatorer, halvledare eller strukturella material. Om tillvägagångssättet generaliserar kan flaskhalsen i materialupptäckten skifta från att generera kandidatkristaller till att validera dem i labbet - ett skifte som experimentalister förmodligen skulle välkomna.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
