MIT 用多模态模型连接晶体结构与材料语言
MIT 研究人员打造连接三维原子结构与自然语言的多模态模型，用于筛选电池等能源领域的潜在材料。
据10月18日发布的报道，MIT 研究人员开发了一种多模态人工智能模型，将材料的三维原子结构与自然语言描述结合起来，试图把晶体如何排列、具有什么性质以及适合哪些应用联系起来。
让材料模型真正理解几何结构
许多基于语言的科学模型能够检索或总结论文，却不能直接表示材料的空间几何。MIT 的方法将结构信息与材料性质、功能和用途的文字描述对齐，使模型能够同时处理两种模态。
研究团队把人工智能生成的材料叙述与现有科学资料结合起来训练模型。这些叙述在晶体几何与离子导电性、稳定性、电池适用性等概念之间搭起了桥梁。在一项测试中，研究人员要求模型寻找固态锂离子电池电解质，模型排在前列的结果与独立材料研究发现的候选物出现重合。
这还不是一条可以自动产出新材料的完整流水线。模型提出的候选仍要经过计算模拟、实验合成和性能验证；用于生成描述的数据也可能带来遗漏和错误。一个听起来合理的解释可以帮助研究人员排序假设，却不能证明材料在真实制造条件下有效。
为什么重要
这项工作代表了科学人工智能的一条重要方向：模型开始把物理结构作为第一类输入，而不是把所有问题先翻译成文本。如果这种方法能够推广到晶体、催化剂和能源材料，它或许能缩小搜索范围，帮助研究人员发现仅靠文献检索难以找到的候选。最终价值仍取决于这些候选能否通过计算、合成和实验测试的层层筛选。