Pesquisadores do MIT desenvolveram um modelo de IA multimodal capaz de identificar materiais cristalinos ótimos para diversas aplicações, combinando estruturas atômicas 3D com descrições em linguagem natural. O modelo, publicado na Nature Communications, supera modelos treinados apenas em texto ao permitir que a IA "veja" as disposições atômicas e padrões de ligação.
O problema dos materiais cristalinos
Na teoria, a inteligência artificial poderia tornar a descoberta do material certo para uma aplicação tão simples quanto pedir comida: os cientistas diriam a um LLM o que querem e ele entregaria um cristal perfeitamente projetado. No entanto, essa abordagem não funciona bem ainda, e o problema está nos dados: a maioria dos materiais consiste em cristais, que são arranjos periódicos 3D de átomos cujas estruturas são armazenadas em formatos especializados, não em streams de texto nos quais os LLMs atuais são treinados.
Além disso, a literatura experimental é fortemente enviesada para algumas classes populares de cristais, fazendo com que as saídas da IA sejam inclinadas para esses materiais. Os modelos treinados apenas em texto não conseguem capturar a estrutura 3D dos materiais, que é fundamental para entender suas propriedades.
A solução do MIT
Os pesquisadores criaram um modelo de IA multimodal que combina estruturas atômicas 3D com descrições em linguagem natural para criar descrições ricas sobre as estruturas a partir de papers experimentais e bancos de dados computacionais de first-principles. A descrição unificada descreve não apenas a composição química e a estrutura, mas também as propriedades, considerações de processamento e aplicações potenciais, ajudando a IA a aprender mais sobre o que torna os materiais impactantes.
Em um novo paper na Nature Communications, os pesquisadores mostraram que seu sistema poderia identificar melhores designs de materiais do que modelos treinados apenas em streams de texto ao permitir que o modelo "veja" as disposições atômicas e padrões de ligação. Por exemplo, quando os pesquisadores pediram ao modelo para identificar materiais adequados para eletrólitos de baterias de íons de lítio de estado sólido, seus principais resultados incluíam materiais que haviam sido independentemente identificados como candidatos promissores.
Implicações para a ciência dos materiais
"Structure is really at the heart of the materials science field", diz Ju Li, professor Carl Richard Soderberg em Power Engineering no Departamento de Ciência e Engenharia de Materiais do MIT. "Se você entende a estrutura, você pode inferir bastante sobre as propriedades e o desempenho dos materiais. Queríamos construir a conexão entre a estrutura atômica de um material e suas propriedades e processamento para o modelo."
O modelo representa um avanço significativo na ciência dos materiais, potencialmente acelerando a descoberta de novos materiais para aplicações em energia, eletrônica e medicina. A capacidade de combinar dados estruturais 3D com descrições em linguagem natural abre novas possibilidades para a descoberta de materiais com propriedades específicas.
Próximos passos
Os pesquisadores planejam expandir o modelo para incluir mais tipos de materiais e propriedades, além de integrar feedback de experimentos reais para melhorar a precisão das predições. A expectativa é que o modelo seja aberto para a comunidade científica e industrial, acelerando a descoberta de novos materiais em diversas áreas.
Fontes e referências
Encontrou uma informação que precisa de correção? Fale com a redação.