โดยหลักการแล้ว ปัญญาประดิษฐ์สามารถทำให้การค้นหาวัสดุที่เหมาะสมสำหรับงานเป็นเรื่องง่ายเหมือนกับการสั่งอาหารเย็น โดยอธิบายสิ่งที่คุณต้องการด้วยแบบจำลองภาษาขนาดใหญ่ และมอบคริสตัลที่ออกแบบมาสำหรับงานนี้ให้กับคุณ ในทางปฏิบัติ สถานการณ์ดังกล่าวยังห่างไกลจากการเข้าถึง เนื่องจากโมเดลที่อยู่เบื้องหลังแชทบอทในปัจจุบันไม่เคยเห็นจริงๆ ว่าวัสดุส่วนใหญ่มีลักษณะอย่างไร

นักวิจัยของ MIT รายงานว่าพวกเขาได้ดำเนินการอย่างเป็นรูปธรรมเพื่อแก้ไขปัญหาดังกล่าว ในรายงานใหม่ที่ตีพิมพ์ใน Nature Communications ทีมงานจาก Department of Materials Science and Engineering (DMSE) ของ MIT อธิบายถึงแบบจำลอง AI ต่อเนื่องหลายรูปแบบที่รวมโครงสร้างอะตอมสามมิติเข้ากับคำอธิบายภาษาธรรมชาติ ทำให้ระบบให้เหตุผลเกี่ยวกับเรขาคณิตของคริสตัลและข้อความในเวลาเดียวกัน จากรายงานของ MIT News โมเดลดังกล่าวระบุการออกแบบวัสดุได้ดีกว่าระบบที่ได้รับการฝึกด้วยข้อความเพียงอย่างเดียว โดยอนุญาตให้ AI เห็นการจัดเรียงอะตอมและรูปแบบพันธะที่กำหนดว่าวัสดุมีพฤติกรรมอย่างไร งานนี้ช่วยขยายขอบเขตอันยุ่งวุ่นวายของ ความครอบคลุมของอุตสาหกรรม AI โดยเน้นไปที่โมเดลที่ก้าวไปไกลกว่าข้อความและเข้าสู่โลกทางกายภาพ

เหตุใดโมเดลที่ได้รับการฝึกด้วยข้อความจึงสะดุดกับเรื่องต่างๆ

อุปสรรคคือพื้นฐานเกี่ยวกับข้อมูล วัสดุส่วนใหญ่เป็นผลึก: การจัดเรียงอะตอมเป็นระยะสามมิติซึ่งมีโครงสร้างถูกจัดเก็บในรูปแบบการคำนวณเฉพาะทาง แทนที่จะเป็นสตรีมข้อความที่ใช้ฝึกแบบจำลองภาษาขนาดใหญ่ ยิ่งไปกว่านั้น วรรณกรรมเชิงทดลองยังมีอคติอย่างมากต่อคริสตัลยอดนิยมบางประเภท ซึ่งทำให้ผลลัพธ์ของ AI ใด ๆ ที่ได้รับการฝึกฝนในเอกสารตีพิมพ์เป็นหลัก

ผลลัพธ์ที่ได้คือจุดบอดที่มีผลตามมาที่แท้จริง วัสดุแข็งบนโลกมากกว่า 90 เปอร์เซ็นต์เป็นผลึก และโครงสร้างจำนวนมากที่อาจมีความสำคัญสำหรับแบตเตอรี่ อิเล็กทรอนิกส์ หรือตัวเร่งปฏิกิริยายุคถัดไปอาศัยอยู่ในฐานข้อมูลการคำนวณซึ่งระบบที่ใช้ภาษาเท่านั้นไม่สามารถอ่านได้อย่างมีประสิทธิภาพ

การสอนแบบจำลองเพื่อจัดโครงสร้างด้วยภาษา

คำตอบของทีม MIT คือการสร้างแบบจำลองภาษาวิสัยทัศน์สำหรับคริสตัลอย่างมีประสิทธิภาพ นักวิจัยได้ฝึกฝนแบบจำลองภาษาเพื่อสร้างคำอธิบายข้อความของโครงสร้างผลึกโดยใช้การเรียนรู้แบบเปรียบเทียบ ซึ่งเป็นแนวทางที่แบบจำลองจะเปรียบเทียบตัวอย่างโครงสร้างและคำอธิบายที่เหมือนกันและไม่เหมือนกัน จนกระทั่งพัฒนาความเข้าใจที่เป็นหนึ่งเดียวกัน ซึ่งเป็นกระบวนการที่ MIT เปรียบเทียบกับวิธีที่สมองจัดแนวการมองเห็นและขอบเขตภาษา

สิ่งสำคัญที่สุดคือ ทีมงานเลือกที่จะสังเคราะห์เรื่องเล่าของตนเองเกี่ยวกับเนื้อหา แทนที่จะอาศัยเอกสารที่มีอยู่เพียงอย่างเดียว จากวรรณกรรมการวิจัยเชิงทดลองและฐานข้อมูลการคำนวณหลักแรก แบบจำลองนี้สร้างคำอธิบายที่หลากหลาย ไม่เพียงแต่ครอบคลุมองค์ประกอบและโครงสร้างทางเคมีเท่านั้น แต่ยังรวมถึงคุณสมบัติ ข้อควรพิจารณาในการประมวลผล และการใช้งานที่เป็นไปได้ด้วย

"เราต้องการสร้างโมเดล AI ที่ทำงานบนวัสดุได้อย่างกว้างขวาง" Ju Li ศาสตราจารย์ Carl Richard Soderberg สาขาวิศวกรรมพลังงานของ MIT และผู้เขียนอาวุโสในรายงานกล่าว "นั่นคือเหตุผลที่เราตัดสินใจสังเคราะห์เรื่องเล่าแทนที่จะพึ่งพาเอกสารที่มีอยู่เพียงอย่างเดียว เราพบว่าเมื่อเราใช้ชุดข้อมูลการเล่าเรื่องนั้น แบบจำลองต่างๆ จะสามารถทำนายฟังก์ชันได้ดีกว่า"

การทดสอบ: การค้นหาอิเล็กโทรไลต์แบตเตอรี่โซลิดสเตต

เพื่อประเมินแนวทางนี้ นักวิจัยได้เปรียบเทียบแบบจำลองสองเวอร์ชัน ได้แก่ เวอร์ชันหนึ่งที่ได้รับการฝึกเกี่ยวกับคำอธิบายโครงสร้างที่สร้างโดย AI และอีกเวอร์ชันหนึ่งได้รับการฝึกอบรมเฉพาะข้อความจากเอกสารวิจัยเท่านั้น เวอร์ชันที่ได้รับการฝึกอบรมเกี่ยวกับคำอธิบายสังเคราะห์ประสบความสำเร็จในการเรียนรู้การจัดโครงสร้างทางเรขาคณิตให้สอดคล้องกับภาษา ในขณะที่เวอร์ชันแบบข้อความอย่างเดียวไม่สามารถทำได้

จากนั้นทีมงานได้ขอให้แบบจำลองระบุวัสดุผลึกที่เหมาะสำหรับอิเล็กโทรไลต์แบตเตอรี่ลิเธียมไอออนแบบโซลิดสเตต ซึ่งเป็นความท้าทายที่สำคัญสำหรับแบตเตอรี่รุ่นต่อไป จากรายงานของ MIT News ผลลัพธ์อันดับต้นๆ ของแบบจำลองประกอบด้วยวัสดุที่ได้รับการระบุอย่างอิสระว่าเป็นตัวเลือกที่มีแนวโน้ม และระบบมีประสิทธิภาพเหนือกว่าพื้นฐานแบบข้อความเท่านั้น เมื่อได้รับคำถามในภาษาธรรมชาติที่อธิบายคุณสมบัติและขอให้ค้นหาคริสตัลที่มีคุณสมบัตินั้น

“โครงสร้างถือเป็นหัวใจสำคัญของสาขาวัสดุศาสตร์” หลี่กล่าว "ถ้าคุณเข้าใจโครงสร้างนี้ คุณสามารถสรุปได้ค่อนข้างมากเกี่ยวกับคุณสมบัติและประสิทธิภาพของวัสดุ เราต้องการสร้างความเชื่อมโยงระหว่างโครงสร้างอะตอมของวัสดุกับคุณสมบัติของมันและการประมวลผลสำหรับแบบจำลอง"

สิ่งนี้เหมาะกับการค้นพบวัสดุที่ขับเคลื่อนด้วย AI

ในช่วงทศวรรษที่ผ่านมา AI ได้เปลี่ยนโฉมวิธีการเสนอและออกแบบคริสตัลใหม่ๆ อย่างไรก็ตาม ระบบส่วนใหญ่เหล่านั้นจะถือว่าวัสดุผลึกเป็นกราฟสามมิติที่ประมวลผลโดยสถาปัตยกรรมเฉพาะทาง ซึ่งแยกออกจากโมเดลภาษาที่ขับเคลื่อน AI วัตถุประสงค์ทั่วไป ด้วยการสอนแบบจำลองทางภาษาเพื่อรับรู้เรขาคณิตโดยตรง งานของ MIT ชี้ไปที่ผู้ช่วยที่สามารถจัดการคำขอวัสดุที่ระบุเป็นภาษาอังกฤษธรรมดาตั้งแต่ต้นจนจบในวันหนึ่ง

ทีมวิจัยประกอบด้วย Yang Jeong Park ผู้เขียนคนแรก อดีต postdoc ของ MIT พร้อมด้วย Mayank Kumaran เพิ่งสำเร็จการศึกษาด้านวิศวกรรมคอมพิวเตอร์จาก University of Illinois Urbana-Champaign, Chia-Wei Hsu และ Elsa Olivetti ศาสตราจารย์ด้านวิศวกรรมของ Jerry McAfee (1940) ที่ MIT

อะไรจะเกิดขึ้นต่อไป

โมเดลดังกล่าวยังคงเป็นระบบการวิจัย และ MIT ยังไม่ได้ประกาศการผลิตใดๆ แต่ผลกระทบนั้นกว้างมาก: อิเล็กโทรไลต์โซลิดสเตตเป็นกรณีทดสอบเดียว และวิธีการแบบโครงสร้างบวกภาษาเดียวกันสามารถนำไปใช้กับตัวเร่งปฏิกิริยา เซมิคอนดักเตอร์ หรือวัสดุโครงสร้าง หากแนวทางนี้เป็นภาพรวม คอขวดในการค้นพบวัสดุอาจเปลี่ยนจากการสร้างคริสตัลที่เป็นตัวเลือกไปเป็นการตรวจสอบความถูกต้องในห้องปฏิบัติการ นักทดลองการเปลี่ยนแปลงน่าจะยินดี

---

ก้าวนำหน้า AI

รับข่าวสาร AI การวิเคราะห์ และความก้าวหน้าล่าสุด ทั้งหมดในที่เดียว

อ่านข่าว AI เพิ่มเติม →