Исследователи Массачусетского технологического института (MIT) разработали модель искусственного интеллекта, которая объединяет трехмерные структуры кристаллов с текстовыми описаниями. Такой подход может помочь быстрее находить материалы для аккумуляторов и других технологий, ориентируясь на их свойства и предполагаемое применение.

Результаты исследования опубликованы в журнале Nature Communications. Разработка призвана решить одну из проблем использования больших языковых моделей в материаловедении: они преимущественно обучаются на текстах научных публикаций, тогда как свойства твердых материалов во многом определяются трехмерным расположением атомов и характером связей между ними.

Из-за этого ИИ может упускать важные структурные особенности, а также чаще предлагать материалы из тех групп кристаллов, которые лучше представлены в научной литературе.

Как ИИ учится понимать структуру кристаллов

Команда MIT создала мультимодальную модель, которая связывает геометрию атомных структур с естественным языком. Для обучения использовались сведения из экспериментальных научных работ и баз данных, полученных с помощью вычислительных методов.

Вместо того чтобы полагаться исключительно на уже опубликованные тексты, исследователи сформировали развернутые текстовые описания кристаллов. Они отражают не только химический состав и строение материала, но и его свойства, особенности обработки и возможные области применения.

Модель обучали с помощью контрастивного обучения: она сопоставляла структурно и смыслово близкие примеры, учась устанавливать соответствия между трехмерной геометрией кристаллов и их текстовыми описаниями.

Затем исследователи сравнили две версии модели — обученную на подготовленных описаниях материалов и модель, использовавшую только тексты научных публикаций. Первая лучше связывала геометрические особенности кристаллов с текстовой информацией и точнее предсказывала возможное назначение материалов.

По словам профессора MIT Джу Ли, атомная структура лежит в основе материаловедения: понимая ее, ученые могут делать выводы о свойствах и рабочих характеристиках вещества.

Поиск материалов для аккумуляторов

В ходе проверки исследователи попросили модель найти материалы, подходящие для твердых электролитов литий-ионных аккумуляторов. Среди наиболее перспективных вариантов оказались вещества, которые ранее независимо друг от друга уже были определены как потенциальные кандидаты.

Этот результат показывает, что модель может использовать не только сведения, прямо изложенные в научных текстах, но и закономерности, связанные с трехмерным устройством материалов.

Ученые также проверили способность системы находить кристаллические материалы по запросам на естественном языке, описывающим требуемые свойства. В этих испытаниях модель показала лучшие результаты, чем базовый подход, с которым ее сравнивали.

Разработчики надеются, что технология поможет ускорить поиск новых материалов и сократить путь от анализа атомной структуры до выбора вещества для конкретной задачи. В перспективе такой инструмент может стать для материаловедения тем, чем модель AlphaFold, связывающая структуру белков с их функциями, стала для исследований в биологии.

При этом разработка пока не означает, что ИИ способен самостоятельно гарантировать создание подходящего материала: предложенные варианты требуют дальнейшей научной проверки. Авторы рассчитывают, что новый подход смогут использовать специалисты, работающие с различными кристаллическими материалами.