IAGenerado
EN · IT · ES

MIT construye una IA que puede ver estructuras cristalinas en 3D

Un nuevo modelo combina geometría atómica con lenguaje para que las máquinas ayuden a descubrir mejores materiales.

MIT construye una IA que puede ver estructuras cristalinas en 3D
Imagen: news.mit.edu
Cómo funciona

Un modelo de IA que lee a la vez estructuras atómicas en 3D y texto para ayudar a los científicos a descubrir materiales mejores más rápido

  1. Mételo un plano de cristales en 3D y su descripción escrita
  2. Compara ejemplos parecidos y distintos al mismo tiempo
  3. Aprende cómo se conecta la geometría con las descripciones en lenguaje
  4. Te sugiere cristales que se ajusten a lo que necesitas

Ver cristales en tres dimensiones

Los científicos de materiales pasan años buscando los cristales adecuados — arreglos altamente ordenados de átomos que conforman más del 90 por ciento de los materiales sólidos en la Tierra — pero un nuevo modelo de IA de investigadores del MIT podría acelerar esa búsqueda enormemente permitiendo que las máquinas "vean" las estructuras atómicas como ve un humano.

Publicado en Nature Communications, el sistema toma distribuciones atómicas en 3D y las combina con descripciones en lenguaje natural extraídas de artículos experimentales y bases de datos computacionales, creando una comprensión más rica que los modelos entrenados solo en texto 1.

La mayoría de los enfoques de IA existentes tratan los cristales como grafos 3D, pero pierden el matiz visual y geométrico que importa cuando quieres predecir cómo se comportará un material 1. El equipo del MIT quería cerrar esa brecha.

Cómo aprende el modelo

Los investigadores entrenaron el sistema usando una técnica llamada aprendizaje por contraste, en la cual el modelo compara ejemplos similares y diferentes de estructuras cristalinas junto con sus descripciones textuales, aprendiendo gradualmente a alinear ambos hasta entender cómo la geometría se mapea al lenguaje — similar a cómo las regiones visuales y de lenguaje del cerebro trabajan juntas 1.

En lugar de depender únicamente de lo que ya había sido publicado, el equipo sintetizó nuevas narrativas que tejían juntos composición, estructura, propiedades y usos potenciales en descripciones unificadas 1. Esa elección importó: cuando se probó contra una versión entrenada solo en texto de artículos, el modelo entrenado con narrativas fue mejor prediciendo funciones .

De un vistazo

Lo que la nueva IA ve y los modelos más antiguos pasan por alto

IA más antigua (solo texto)Nueva IA del MIT
Lo que leeSolo el texto del documentoDisposiciones atómicas en 3D + descripciones en texto
Cómo se tratan los cristalesGráficos 3D — pasa por alto matices visuales y geométricosCristales emparejados con descripciones narrativas
Lo que aprendePatrones de texto de documentos científicosCómo la geometría atómica se relaciona con el lenguaje
Predicción de funcionesMás débil — entrenada solo en texto publicadoMás sólida — detectó correctamente materiales para baterías que otros habían identificado
Profundidad de comprensiónNo puede capturar patrones de enlaces ni disposiciones espacialesComprende representaciones geométricas de estructuras cristalinas

Basado en investigación del MIT publicada en Nature Communications; la IA más antigua descrita por los autores como enfoque básico solo de texto.

Qué puede hacer

Cuando los investigadores le pidieron al modelo que encontrara cristales adecuados para electrolitos de baterías de iones de litio de estado sólido, sus resultados principales coincidieron con materiales que otros investigadores habían marcado independientemente como prometedores 1. El modelo también aprendió representaciones geométricas de estructuras cristalinas que los sistemas solo en texto no podían, señalando una comprensión más profunda del arreglo atómico y los patrones de enlace .

Ju Li, profesor Carl Richard Soderberg de Ingeniería de Energía en el MIT, dijo que el trabajo fue impulsado por la creencia de que la estructura está en el corazón de la ciencia de materiales 1. "Si entiendes la estructura, puedes inferir bastante sobre las propiedades y el rendimiento de los materiales", dijo .

El equipo de investigación también incluyó a la autora principal Yang Jeong Park, exinvestigadora postdoctoral del MIT; Mayank Kumaran, egresado reciente de ingeniería computacional de la University of Illinois Urbana-Champaign; Chia-Wei Hsu, quien posee un SM del MIT; y Elsa Olivetti, profesora Jerry McAfee de Ingeniería en el Departamento de Ciencia e Ingeniería de Materiales del MIT.

Por qué importa

Encontrar nuevos materiales tradicionalmente ha sido un proceso lento y lleno de prueba y error. Al darle a la IA una imagen más clara de cómo están dispuestos los átomos en 3D y vinculando eso con propiedades y aplicaciones del mundo real, el modelo podría ayudar a los investigadores a identificar mejores candidatos más rápido — potencialmente acelerando el desarrollo de baterías, semiconductores y otras tecnologías que dependen de cristales avanzados 1.

Olivetti dijo que espera que el enfoque se convierta en una herramienta útil que la comunidad más amplia adopte a medida que el campo avanza hacia una integración algorítmica más profunda 1. "A veces hay estos cambios repentinos dentro de la ciencia de materiales alrededor de la integración algorítmica hacia herramientas útiles, que la comunidad usa para avanzar aún más el campo", dijo .

El camino por recorrer

Por ahora, el sistema ha sido probado en búsquedas de propiedades específicas y materiales relacionados con baterías, pero los investigadores dicen que el enfoque está diseñado para funcionar ampliamente a través de clases de compuestos cristalinos en lugar de apuntar solo a una aplicación 1. A medida que los conjuntos de datos de materiales crezcan y los modelos multimodales maduren, el mismo marco algún día podría permitir que los científicos expresen lo que necesitan en lenguaje claro y reciban una lista corta de estructuras cristalinas que encajen .

Esa visión — un futuro donde encontrar el material correcto sea tan simple como hacer la pregunta correcta — todavía está por venir, pero este modelo marca un paso significativo hacia hacerlo realidad.

Los datos clave

  • Los cristales conforman más del 90 por ciento de los materiales sólidos en la Tierra.
  • El modelo fue entrenado usando aprendizaje por contraste para alinear estructuras atómicas en 3D con descripciones de texto.
  • Superó a los modelos solo en texto cuando se le pidió encontrar materiales para electrolitos de baterías de iones de litio de estado sólido.
  • La investigación fue publicada en Nature Communications.
  • Investigadores del MIT sintetizaron nuevas descripciones narrativas en lugar de depender únicamente del texto existente de artículos.

Fuentes

  1. Giving AI a “crystal clear” view of the materials world

Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes

Sigue leyendo