Исследователи MIT создали мультимодальную модель ИИ, которая связывает трехмерные кристаллические структуры с описаниями на естественном языке, а результаты опубликованы в Nature Communications. Система превзошла текстовые модели в подборе материалов по заданному свойству, включая кандидатов в электролиты для твердотельных литий-ионных батарей. Работа устраняет ключевое ограничение больших языковых моделей, обученных в основном на текстовых потоках, а не на структурных форматах.
Как обучали модель для анализа кристаллов
Модель объединяет трехмерное расположение атомов с языковыми описаниями из экспериментальных статей и расчетных баз данных, построенных на первопринципных методах. Каждое унифицированное описание включает химический состав и структуру, а также свойства, особенности обработки и возможные применения. Такая конструкция помогает системе понимать практическую ценность материала, а не только его формулу в тексте.
Обучение построено на контрастивном методе, когда модель сравнивает похожие и непохожие пары структур и описаний, чтобы согласовать геометрию с языком. Цзюй Ли, профессор энергетического машиностроения, сравнил этот принцип с согласованием зрительной и языковой зон мозга. После обучения только версия на ИИ-сгенерированных описаниях освоила такое соответствие, а версия, обученная лишь на текстах статей, этого не сделала.
Контекст — несоответствие данных в материаловедении. Более 90% твердых материалов на Земле — кристаллы с упорядоченной атомной структурой, которые часто хранятся как 3D-графы в расчетных базах. Научная литература смещена в сторону нескольких популярных классов кристаллов, что искажает ответы текстовых моделей. Поэтому существующие большие языковые модели слабо понимают визуальную геометрию и физический мир.
Что это меняет для поиска материалов в бизнесе
Для компаний, разрабатывающих батареи, электронику или сложные компоненты, практический эффект — ускоренный отбор кандидатов по запросу на обычном языке. Команда может описать нужные характеристики и получить структуры, чья геометрия и связи им соответствуют, включая уже известных перспективных кандидатов в электролиты. Небольшие фирмы получают инструмент, раньше требовавший глубокой экспертизы в кристаллографии, а крупные R&D-подразделения смогут отсеивать варианты до дорогого синтеза.
Для решения о внедрении важны ограничения. Источник сообщает о лучшем предсказании функций по сравнению с базовым вариантом, но не приводит показателей точности, оценок затрат, условий интеграции и сроков внедрения. Подход в принципе охватывает многие кристаллические материалы, однако технологические ограничения и экспериментальная проверка остаются за пределами модели. У поставщика следует спрашивать, какие базы включены, как обновляются описания и какими испытаниями подтверждаются свойства.
Индикатором успеха станет использование метода другими научными группами и его появление в реальных процессах поиска материалов. Работа выполнена при поддержке U. S. Defense Threat Reduction Agency, DARPA и National Research Foundation of Korea, среди авторов — Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu и Elsa Olivetti. Если независимые команды сообщат о более быстром нахождении работоспособных кристаллов, сравнение с AlphaFold для материаловедения получит подтверждение.
