Как сообщает издание MIT, искусственный интеллект может упростить поиск подходящего материала для применения, однако на данный момент это не работает должным образом из-за проблем с данными. Большинство материалов состоят из кристаллов, которые представляют собой трехмерные периодические структуры атомов, хранящиеся в специализированных форматах, а не в текстовых потоках, на которых обучаются современные языковые модели. Кроме того, экспериментальная литература сильно смещена в сторону нескольких популярных классов кристаллов, что приводит к искажению результатов ИИ в пользу этих материалов. Исследователи MIT создали многомодальную модель ИИ, которая решает эти проблемы. Модель сочетает трехмерные атомные структуры с описаниями на естественном языке, создавая богатые лексические описания структур на основе экспериментальных исследований и вычислительных баз данных. Единое описание охватывает не только химический состав и структуру, но и свойства, особенности обработки и потенциальные применения, что помогает ИИ лучше понять, что делает материалы значимыми. В новой статье в журнале Nature Communications исследователи продемонстрировали, что их система может идентифицировать более эффективные дизайны материалов, чем модели, обученные только на текстовых потоках, позволяя модели «видеть» атомные расположения и схемы связывания. Например, когда исследователи попросили модель определить материалы, подходящие для электролитов литий-ионных аккумуляторов, её лучшие результаты включали материалы, которые были независимо определены как перспективные кандидаты. Исследователи также показали, что их модель изучила геометрические представления структур материалов так, как этого не могли сделать модели, обученные только на текстах. «Структура действительно находится в центре области материаловедения», — говорит Джу Ли, профессор кафедры материаловедения и инженерии. «Если вы понимаете структуру, вы можете многого вывести о свойствах и характеристиках материалов. Мы хотели установить связь между атомной структурой материала и его свойствами и обработкой для модели». В статье о модели также участвуют Ян Чжон Пак, первый автор и бывший постдок MIT; Майанк Кумаран, недавний выпускник Университета Иллинойс в Урбана-Шампейн; Чиа-Вэй Хсу и Эльза Оливетти, профессор инженерии в той же кафедре. Материаловеды всегда ищут новые кристаллы, которые приведут к созданию продуктов будущего. За последнее десятилетие ИИ изменил этот процесс, предлагая и проектируя новые кристаллические структуры, которые имеют высокоорганизованные атомные структуры и составляют более 90 процентов твердых материалов на Земле. Большинство из этих моделей рассматривают твердые кристаллические материалы как трехмерные графы. Появление крупных языковых моделей дало исследователям еще один инструмент для инноваций. Однако существующие крупные языковые модели сильно зависят от текста из опубликованных статей и книг, что ограничивает их знание физического мира, поскольку многие потенциальные кристаллические структуры хранятся в вычислительных базах данных. Модели, основанные на текстах, также не понимают визуальной геометрии. Чтобы преодолеть эти проблемы, исследователи решили создать модель, сочетающую визуальные и языковые данные для кристаллических материалов. Они обучили языковую модель создавать текстовые описания кристаллических структур, используя подход, известный как контрастное обучение, при котором модели сравнивают похожие и непохожие примеры структур и текстовых описаний для достижения единого понимания. Это похоже на согласование визуальных и языковых областей мозга. После обучения исследователи сравнили предсказания двух версий модели: одной, обученной на наборе данных, содержащем описания, созданные ИИ, и другой, обученной на наборе данных, содержащем только текст из статей. Они обнаружили, что модель, обученная на описаниях, созданных ИИ, успешно научилась согласовывать геометрические структуры с текстовыми описаниями, в то время как другая этого не сделала. «Мы хотели создать модель ИИ, которая работала бы в широком диапазоне материалов», — говорит Ли. «Вот почему мы решили синтезировать нарративы, а не полагаться только на существующие статьи. Мы обнаружили, что когда мы использовали этот набор нарративов, модели лучше предсказывают функции». Исследователи затем показали, что их модель может принимать запрос на естественном языке, описывающий свойство, и идентифицировать кристаллические материалы с этим свойством, превосходя базовую линию. «Иногда в материаловедении происходят резкие изменения в алгоритмической интеграции в полезные инструменты, которые сообщество использует для дальнейшего продвижения этой области», — говорит Оливетти. «Этот подход помогает нам глубже видеть трехмерные структуры и связывать структуры с свойствами и обработкой. Я надеюсь, что это может стать одним из таких резких изменений». Ли сравнивает модель с AlphaFold, моделью ИИ, которая связывает структуры белков с функцией и помогла продвинуть биологические исследования и разработку лекарств. Исследователи считают, что их новый подход может работать с многими кристаллическими материалами, и надеются, что другие ученые-материаловеды будут использовать его для ускорения своей работы. «Возможность видеть трехмерный кристалл и как его атомы соединены — это основополагающее знание», — говорит Ли. «Я думаю, что это будет полезно для всех, кто занимается материаловедением». Работы были частично поддержаны Агентством по снижению угрозы Министерства обороны США через Университетский исследовательский альянс; Агентством передовых оборонных исследований США; и Национальным научным фондом Кореи. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.