Về nguyên tắc, trí tuệ nhân tạo có thể giúp việc tìm kiếm nguyên liệu phù hợp cho công việc trở nên dễ dàng như đặt bữa tối: mô tả những gì bạn cần bằng một mô hình ngôn ngữ lớn và nó sẽ trao cho bạn một viên pha lê được thiết kế cho nhiệm vụ đó. Trên thực tế, kịch bản đó vẫn nằm ngoài tầm với vì các mô hình đằng sau chatbot ngày nay chưa bao giờ thực sự nhìn thấy hầu hết các vật liệu trông như thế nào.

Các nhà nghiên cứu của MIT báo cáo rằng họ đã thực hiện một bước cụ thể để khắc phục điều đó. Trong một bài báo mới đăng trên tạp chí Nature Communications, một nhóm từ Khoa Khoa học và Kỹ thuật Vật liệu (DMSE) của MIT đã mô tả một mô hình AI đa phương thức kết hợp các cấu trúc nguyên tử ba chiều với các mô tả ngôn ngữ tự nhiên, cho phép hệ thống suy luận về hình học tinh thể và văn bản cùng một lúc. Theo MIT News, mô hình này xác định các thiết kế vật liệu tốt hơn so với các hệ thống được đào tạo chỉ bằng văn bản bằng cách cho phép AI xem sự sắp xếp nguyên tử và các mẫu liên kết xác định cách thức hoạt động của vật liệu. Công việc này làm tăng thêm phạm vi phủ sóng của ngành AI bận rộn, tập trung vào các mô hình vượt ra ngoài văn bản và đi vào thế giới vật chất.

Tại sao những người mẫu được đào tạo bằng văn bản lại vấp phải vấn đề

Trở ngại cơ bản là về dữ liệu. Hầu hết các vật liệu đều ở dạng tinh thể: sự sắp xếp ba chiều, tuần hoàn của các nguyên tử có cấu trúc được lưu trữ ở các định dạng tính toán chuyên biệt thay vì các luồng văn bản mà các mô hình ngôn ngữ lớn được đào tạo dựa trên đó. Trên hết, tài liệu thực nghiệm thiên về một số loại tinh thể phổ biến, làm sai lệch kết quả đầu ra của bất kỳ AI nào được đào tạo chủ yếu trên các bài báo đã xuất bản.

Kết quả là một điểm mù với những hậu quả thực sự. Hơn 90% vật liệu rắn trên Trái đất là tinh thể và nhiều cấu trúc có thể quan trọng đối với pin, thiết bị điện tử hoặc chất xúc tác thế hệ tiếp theo nằm trong cơ sở dữ liệu tính toán mà các hệ thống chỉ có ngôn ngữ thực sự không thể đọc được.

Dạy một mô hình để sắp xếp cấu trúc phù hợp với ngôn ngữ

Câu trả lời của nhóm MIT là xây dựng một mô hình ngôn ngữ thị giác hiệu quả cho tinh thể. Các nhà nghiên cứu đã đào tạo một mô hình ngôn ngữ để tạo ra các mô tả văn bản về cấu trúc tinh thể bằng cách sử dụng phương pháp học tương phản, một cách tiếp cận trong đó mô hình so sánh các ví dụ tương tự và khác nhau về cấu trúc và mô tả cho đến khi nó phát triển sự hiểu biết thống nhất – một quá trình mà MIT so sánh với cách não điều chỉnh các vùng thị giác và ngôn ngữ.

Điều quan trọng là nhóm đã chọn tổng hợp các câu chuyện của riêng mình về các tài liệu thay vì chỉ dựa vào các bài báo hiện có. Dựa trên tài liệu nghiên cứu thực nghiệm và cơ sở dữ liệu tính toán nguyên tắc đầu tiên, mô hình đã tạo ra các mô tả phong phú không chỉ bao gồm thành phần và cấu trúc hóa học mà còn cả các tính chất, cân nhắc xử lý và các ứng dụng tiềm năng.

Ju Li, Giáo sư Carl Richard Soderberg về Kỹ thuật Điện tại MIT và là tác giả cấp cao của bài báo cho biết: “Chúng tôi muốn tạo ra một mô hình AI hoạt động rộng rãi trên nhiều vật liệu”. "Đó là lý do tại sao chúng tôi quyết định tổng hợp các câu chuyện thay vì chỉ dựa vào các bài báo hiện có. Chúng tôi nhận thấy khi sử dụng tập dữ liệu tường thuật đó, các mô hình sẽ dự đoán chức năng tốt hơn."

Thử nghiệm: Tìm chất điện phân pin thể rắn

Để đánh giá cách tiếp cận này, các nhà nghiên cứu đã so sánh hai phiên bản của mô hình: một phiên bản được đào tạo về mô tả cấu trúc do AI tạo ra và một phiên bản chỉ được đào tạo về văn bản từ các tài liệu nghiên cứu. Phiên bản được đào tạo về các mô tả tổng hợp đã học thành công trong việc căn chỉnh các cấu trúc hình học với ngôn ngữ, trong khi phiên bản chỉ có văn bản thì không.

Sau đó, nhóm nghiên cứu đã yêu cầu mô hình xác định các vật liệu tinh thể phù hợp cho chất điện phân pin lithium-ion thể rắn – một thách thức chính đối với pin thế hệ tiếp theo. Theo MIT News, kết quả hàng đầu của mô hình bao gồm các tài liệu được xác định độc lập là ứng cử viên đầy triển vọng và hệ thống hoạt động tốt hơn đường cơ sở chỉ có văn bản khi đưa ra các truy vấn bằng ngôn ngữ tự nhiên mô tả một thuộc tính và yêu cầu tìm tinh thể có thuộc tính đó.

Li nói: “Cấu trúc thực sự là trọng tâm của lĩnh vực khoa học vật liệu. "Nếu hiểu cấu trúc, bạn có thể suy luận khá nhiều về tính chất và hiệu suất của vật liệu. Chúng tôi muốn xây dựng mối liên hệ giữa cấu trúc nguyên tử của vật liệu với các đặc tính của nó cũng như quá trình xử lý cho mô hình."

Điều này phù hợp ở đâu trong việc khám phá vật liệu dựa trên AI

Trong thập kỷ qua, AI đã định hình lại cách đề xuất và thiết kế các tinh thể mới; Tuy nhiên, hầu hết các hệ thống đó đều xử lý các vật liệu tinh thể dưới dạng đồ thị ba chiều được xử lý bởi các kiến ​​trúc chuyên dụng, tách biệt với các mô hình ngôn ngữ hỗ trợ AI có mục đích chung. Bằng cách dạy một mô hình dựa trên ngôn ngữ để nhận biết hình học một cách trực tiếp, công việc của MIT hướng tới các trợ lý mà một ngày nào đó có thể xử lý yêu cầu vật liệu được nêu bằng tiếng Anh đơn giản từ đầu đến cuối.

Nhóm nghiên cứu bao gồm tác giả đầu tiên Yang Jeong Park, cựu tiến sĩ MIT, cùng với Mayank Kumaran, sinh viên mới tốt nghiệp kỹ thuật máy tính của Đại học Illinois Urbana-Champaign, Chia-Wei Hsu, và Elsa Olivetti, Giáo sư Kỹ thuật Jerry McAfee (1940) tại MIT.

Điều gì sẽ xảy ra tiếp theo

Mô hình này vẫn là một hệ thống nghiên cứu và MIT chưa công bố bất kỳ sản phẩm nào. Nhưng ý nghĩa của nó rất rộng: chất điện phân ở trạng thái rắn là một trường hợp thử nghiệm và cách tiếp cận cấu trúc cộng với ngôn ngữ tương tự có thể áp dụng cho chất xúc tác, chất bán dẫn hoặc vật liệu cấu trúc. Nếu cách tiếp cận này được khái quát hóa, nút thắt trong việc khám phá vật liệu có thể chuyển từ việc tạo ra các tinh thể ứng cử viên sang xác nhận chúng trong phòng thí nghiệm – một sự thay đổi mà các nhà thực nghiệm có thể sẽ hoan nghênh.

---

Đi trước AI

Nhận tin tức, phân tích và đột phá mới nhất về AI — tất cả ở cùng một nơi.

Đọc thêm tin tức về AI →