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.
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 lo haría 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 .
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.
Why it matters
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 eventualmente podría permitir que los científicos describan lo que necesitan en lenguaje sencillo y recibir 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.