В принципі, штучний інтелект може зробити пошук потрібного матеріалу для роботи таким же простим, як замовлення обіду: опишіть, що вам потрібно, великій мовній моделі, і вона вручить вам кристал, призначений для цього завдання. На практиці цей сценарій залишився недосяжним, оскільки моделі, що стоять за сучасними чат-ботами, насправді ніколи не бачили, як виглядає більшість матеріалів.
Дослідники Массачусетського технологічного інституту повідомляють, що вони зробили конкретний крок, щоб виправити це. У новій статті, опублікованій в Nature Communications, команда з Департаменту матеріалознавства та інженерії Массачусетського технологічного інституту (DMSE) описує мультимодальну модель штучного інтелекту, яка поєднує тривимірні атомні структури з описом природною мовою, дозволяючи системі міркувати про кристалічну геометрію та текст одночасно. Згідно з MIT News, модель визначає кращий дизайн матеріалів, ніж системи, навчені лише текстом, дозволяючи штучному інтелекту бачити розташування атомів і моделі зв’язків, які визначають поведінку матеріалів. Ця робота доповнює напружену частину [висвітлення індустрії штучного інтелекту] (https://aibuzzwire.news), зосереджену на моделях, які виходять за рамки тексту та переходять у фізичний світ.
Чому моделі, навчені текстом, спотикаються об матерію
Основна перешкода полягає в даних. Більшість матеріалів кристалічні: тривимірні періодичні розташування атомів, структури яких зберігаються в спеціальних обчислювальних форматах, а не в текстових потоках, на яких навчаються великі мовні моделі. Крім того, експериментальна література сильно упереджена до кількох популярних класів кристалів, що спотворює результати будь-якого штучного інтелекту, навченого переважно на опублікованих статтях.
Результат – сліпа пляма з реальними наслідками. Понад 90 відсотків твердих матеріалів на Землі є кристалічними, і багато структур, які можуть мати значення для акумуляторів, електроніки чи каталізаторів наступного покоління, живуть у обчислювальних базах даних, які системи, які використовують тільки мову, фактично не можуть прочитати.
Навчання моделі для узгодження структури з мовою
Відповідь команди Массачусетського технологічного інституту полягала в тому, щоб створити те, що фактично є моделлю мови бачення для кристалів. Дослідники навчили мовну модель створювати текстові описи кристалічних структур за допомогою контрастного навчання, підходу, при якому модель порівнює схожі та несхожі приклади структур і описів, поки не досягне єдиного розуміння — процес, який MIT порівнює з тим, як мозок вирівнює свої візуальні та мовні області.
Важливо те, що команда вирішила синтезувати власні розповіді про матеріали, а не покладатися виключно на наявні документи. Спираючись на експериментальну дослідницьку літературу та першоосновні обчислювальні бази даних, модель створила багаті описи, що охоплюють не лише хімічний склад і структуру, але й властивості, міркування щодо обробки та потенційні застосування.
«Ми хотіли створити модель штучного інтелекту, яка широко працює з різними матеріалами», — сказав Джу Лі, професор енергетики імені Карла Річарда Содерберга в MIT і старший автор статті. «Саме тому ми вирішили синтезувати наративи, а не покладатися виключно на наявні документи. Ми виявили, що, використовуючи цей наративний набір даних, моделі краще прогнозують функцію».
Тест: пошук електролітів твердотільних батарей
Щоб оцінити підхід, дослідники порівняли дві версії моделі: одну навчили на структурних описах, згенерованих штучним інтелектом, а іншу навчили лише на тексті наукових статей. Версія, навчена на основі синтезованих описів, успішно навчилася узгоджувати геометричні структури з мовою, тоді як лише текстова версія – ні.
Потім команда попросила модель ідентифікувати кристалічні матеріали, придатні для електролітів твердотільних літій-іонних батарей — ключове завдання для акумуляторів наступного покоління. Відповідно до MIT News, найкращі результати моделі включали матеріали, які були незалежно визначені як багатообіцяючі кандидати, і система перевершила лише текстову базову лінію, коли отримували запити природною мовою, що описували властивість, і запитували знайти кристали з цією властивістю.
«Структура справді лежить в основі галузі матеріалознавства», — сказав Лі. «Якщо ви розумієте структуру, ви можете зробити досить багато висновків про властивості та продуктивність матеріалів. Ми хотіли встановити зв’язок між атомною структурою матеріалу та його властивостями та обробкою для моделі».
Де це підходить для виявлення матеріалів за допомогою ШІ
За останнє десятиліття ШІ вже змінив те, як пропонуються та проектуються нові кристали; Однак більшість із цих систем сприймають кристалічні матеріали як тривимірні графіки, оброблені спеціалізованою архітектурою, окремо від мовних моделей, що забезпечують штучний інтелект загального призначення. Навчаючи мовну модель безпосередньому сприйняттю геометрії, робота Массачусетського технологічного інституту спрямована на помічників, які одного разу зможуть обробляти запит на матеріали, поданий простою англійською мовою.
До дослідницької групи увійшли перший автор Ян Чон Парк, колишній постдоктор Массачусетського технологічного інституту, а також Маянк Кумаран, нещодавній випускник комп’ютерної інженерії Університету Іллінойсу Урбана-Шампейн, Чіа-Вей Хсу та Ельза Оліветті, професор інженерії Джеррі Макафі (1940) в Массачусетському технологічному інституті.
Що буде далі
Модель залишається дослідницькою системою, і Массачусетський технологічний інститут не анонсував жодного виробництва. Але наслідки широкі: твердотільні електроліти були одним тестовим випадком, і той самий підхід «структура плюс мова» міг бути застосований до каталізаторів, напівпровідників або конструкційних матеріалів. Якщо підхід узагальнити, вузьке місце у відкритті матеріалів може перейти від створення кристалів-кандидатів до перевірки їх у лабораторії — експериментатори, швидше за все, вітали б цей зсув.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →
