En principio, la inteligencia artificial podría hacer que encontrar el material adecuado para una aplicación sea tan simple como pedir la cena: los científicos le dirían a un modelo de lenguaje grande lo que quieren, y éste les serviría un cristal perfectamente diseñado para el trabajo.
Desafortunadamente, ese enfoque no funciona bien todavía, y el problema se reduce a los datos: la mayoría de los materiales consisten en cristales, que son disposiciones periódicas tridimensionales de átomos cuyas estructuras se almacenan en formatos especializados, no los flujos de texto con los que se entrenan los grandes modelos de lenguaje actuales. La literatura experimental también está muy sesgada hacia algunas clases populares de cristales, lo que hace que los resultados de la IA se inclinen hacia esos materiales.
Ahora los investigadores del MIT han creado un modelo de IA multimodal que aborda estos problemas. El modelo combina estructuras atómicas 3D con descripciones en lenguaje natural para crear descripciones lingüísticas ricas sobre las estructuras a partir de artículos de investigación experimentales y bases de datos computacionales de primeros principios. La descripción unificada describe no solo la composición y estructura química, sino también sus propiedades, consideraciones de procesamiento y aplicaciones potenciales, lo que ayuda a la IA a aprender más sobre lo que hace que los materiales sean impactantes.
En un nuevo artículo publicado en Nature Communications, los investigadores demostraron que su sistema podía identificar mejores diseños de materiales que los modelos entrenados únicamente con flujos de texto, al permitir que el modelo “ver” las disposiciones atómicas y los patrones de enlace. Por ejemplo, cuando los investigadores pidieron al modelo que identificara materiales adecuados para electrolitos de baterías de iones de litio de estado sólido, sus principales resultados incluyeron materiales que habían sido identificados de forma independiente como candidatos prometedores. Los investigadores también mostraron que su modelo aprendió representaciones geométricas de estructuras materiales de una manera que los modelos de solo texto no podían.
“La estructura está realmente en el corazón del campo de la ciencia de los materiales”, dice Ju Li, profesor Carl Richard Soderberg de Ingeniería Energética en el Departamento de Ciencia e Ingeniería de Materiales (DMSE). “Si se comprende la estructura, se pueden inferir muchas cosas sobre las propiedades y el rendimiento de los materiales. Queríamos establecer la conexión entre la estructura atómica de un material y sus propiedades y procesamiento para el modelo”.
Junto a Li en un artículo sobre el modelo se encuentran Yang Jeong Park, primer autor y ex postdoctorado del MIT; Mayank Kumaran, recién graduado en ingeniería informática de la Universidad de Illinois Urbana-Champaign; Chia-Wei Hsu SM ’26; y Elsa Olivetti, profesora Jerry McAfee (1940) de Ingeniería en DMSE.
Cómo conseguir modelos para ver en 3D
Los científicos de materiales siempre están a la caza de nuevos cristales que conduzcan a los productos del futuro. Durante la última década, la IA ha remodelado ese proceso, proponiendo y diseñando nuevas estructuras cristalinas, que tienen estructuras atómicas altamente ordenadas y constituyen más del 90 por ciento de los materiales sólidos de la Tierra. La mayoría de esos modelos tratan los materiales cristalinos sólidos como gráficos 3D.
El auge de los grandes modelos lingüísticos ha proporcionado a los investigadores otra herramienta para la innovación. Pero los grandes modelos de lenguaje existentes dependen en gran medida del texto de artículos y libros publicados, lo que limita su conocimiento del mundo físico, ya que muchas estructuras cristalinas potenciales se almacenan en bases de datos computacionales. Los modelos basados en texto también carecen de comprensión de la geometría visual.
Para superar esos desafíos, los investigadores decidieron crear un modelo de lenguaje visual para materiales cristalinos.
Entrenaron un modelo de lenguaje para crear descripciones textuales de estructuras cristalinas utilizando un enfoque conocido como aprendizaje contrastivo, en el que los modelos comparan ejemplos similares y diferentes de estructuras y descripciones textuales para lograr una comprensión unificada. Esto es similar a alinear las regiones visuales y del lenguaje del cerebro.
Después del entrenamiento, los investigadores compararon las predicciones de dos versiones del modelo: una entrenada en un conjunto de datos que contenía descripciones generadas por IA y la otra entrenada en un conjunto de datos que contenía texto de artículos únicamente. Descubrieron que el modelo entrenado con descripciones generadas por IA aprendió con éxito a alinear estructuras geométricas con descripciones de texto, mientras que el otro no.
“Queríamos crear un modelo de IA que funcionara ampliamente en todos los materiales”, dice Li. “Es por eso que decidimos sintetizar narrativas en lugar de confiar únicamente en artículos existentes. Descubrimos que cuando utilizamos ese conjunto de datos narrativos, los modelos son mejores para predecir la función”.
Acelerando la ciencia de los materiales
Luego, los investigadores demostraron que a su modelo se le podía dar una consulta en lenguaje natural que describiera una propiedad e identificara materiales cristalinos con esa propiedad, superando a una línea de base.
“A veces se producen estos cambios radicales dentro de la ciencia de materiales en torno a la integración algorítmica hacia herramientas útiles, que la comunidad utiliza para avanzar aún más en el campo”, dice Olivetti. “Este enfoque nos ayuda a ver más profundamente las estructuras tridimensionales y vincular las estructuras con la propiedad y el procesamiento. Espero que este pueda ser uno de esos cambios radicales”.
Li compara el modelo con AlphaFold, un modelo de IA que vincula estructuras de proteínas con funciones que ha ayudado a avanzar en la investigación biológica y el desarrollo de fármacos.
Los investigadores creen que su nuevo enfoque puede funcionar con muchos materiales cristalinos y esperan que otros científicos de materiales lo utilicen para acelerar su trabajo.
“Poder ver un cristal tridimensional y cómo están conectados sus átomos es fundamental”, dice Li. “Creo que esto será útil para cualquiera que practique la ciencia de materiales”.
El trabajo fue apoyado, en parte, por la Agencia de Reducción de Amenazas de Defensa de EE. UU. a través de la Alianza de Investigación Universitaria; la Agencia de Proyectos de Investigación Avanzada de Defensa de Estados Unidos; y la Fundación Nacional de Investigación de Corea.