Inteligența artificială învață să „vadă” structura cristalelor pentru a accelera descoperirea de materiale noi
Cercetătorii de la MIT au dezvoltat un model multimodal de inteligență artificială care combină structurile atomice tridimensionale cu descrieri în limbaj natural, pentru a îmbunătăți capacitatea sistemelor AI de a identifica materiale potrivite pentru aplicații specifice. Rezultatele au fost publicate în revista Nature Communications.
Problema pe care o abordează cercetarea ține de natura datelor: majoritatea materialelor sunt formate din aranjamente tridimensionale de cristale, nu din fluxuri de text precum cele pe care sunt antrenați marii modeli lingvistici actuali. În plus, literatura experimentală este puternic orientată către câteva clase populare de cristale, ceea ce face ca rezultatele AI să încline spre aceste materiale.
Noul model creează descrieri lingvistice bogate despre structuri, pornind de la lucrări de cercetare experimentală și baze de date computaționale bazate pe primele principii. Descrierea unificată cuprinde nu doar compoziția chimică și structura, ci și proprietățile, considerațiile de procesare și aplicațiile potențiale ale materialelor.
Pentru antrenare, cercetătorii au folosit o abordare cunoscută drept învățare contrastivă, în care modelul compară exemple similare și diferite de structuri și descrieri text pentru a ajunge la o înțelegere unificată, similară alinierii regiunilor vizuale și lingvistice ale creierului. Ulterior, ei au comparat două versiuni ale modelului: una antrenată pe setul de date cu descrieri generate de AI și alta antrenată doar pe text din lucrări științifice. Modelul antrenat pe descrierile generate a reușit să alinieze structurile geometrice cu descrierile text, în timp ce celălalt nu a reușit.
„Structura este cu adevărat în centrul domeniului științei materialelor”, a declarat Ju Li, profesor de inginerie a energiei în cadrul Departamentului de Știința și Ingineria Materialelor de la MIT. „Dacă înțelegi structura, poți deduce destul de multe despre proprietățile și performanța materialelor. Am vrut să construim legătura dintre structura atomică a unui material și proprietățile și procesarea acestuia pentru model.”
În testele efectuate, când cercetătorii au cerut modelului să identifice materiale potrivite pentru electroliți în baterii litiu-ion cu stare solidă, rezultatele de top au inclus materiale identificate independent ca fiind candidate promițătoare. De asemenea, modelul a învățat reprezentări geometrice ale structurilor materialelor într-un mod în care modelele bazate exclusiv pe text nu au reușit.
„Am vrut să creăm un model AI care funcționează la scară largă în domeniul materialelor”, a spus Li. „De aceea am decis să sintetizăm narațiuni în loc să ne bazăm doar pe lucrările existente. Am constatat că, atunci când am folosit acel set de date narativ, modelele sunt mai bune la prezicerea funcției.”
Elsa Olivetti, profesoară de inginerie în cadrul DMSE, a comparat abordarea cu schimbările de etapă din știința materialelor legate de integrarea algoritmică a instrumentelor utile. „Această abordare ne ajută să vedem mai profund în structurile tridimensionale și să legăm structurile de proprietăți și procesare. Sper ca aceasta să poată fi una dintre acele schimbări de etapă”, a afirmat ea.
Li a comparat modelul cu AlphaFold, modelul AI care leagă structurile proteinelor de funcție și care a contribuit la avansarea cercetării biologice și a dezvoltării de medicamente. Cercetătorii consideră că noua abordare poate funcționa cu numeroase materiale cristaline și speră că alți specialiști în știința materialelor o vor folosi pentru a-și accelera activitatea.
„Capacitatea de a vedea un cristal tridimensional și modul în care atomii săi sunt conectați este fundamentală”, a spus Li. „Cred că va fi utilă oricui practică știința materialelor.”
La studiu au contribuit Yang Jeong Park, primul autor și fost postdoctorand la MIT, Mayank Kumaran, absolvent recent al Universității Illinois Urbana-Champaign în inginerie computerizată, Chia-Wei Hsu și Elsa Olivetti.
