Исследователи Массачусетского технологического института разработали мультимодальную модель для поиска материалов
20 октября 2026 г. · 2 мин чтения
Исследователи Массачусетского технологического института создали мультимодальную искусственную интеллектуальную систему, способную одновременно анализировать трехмерные атомные структуры и естественный язык. Эта разработка предназначена для повышения точности выявления перспективных материалов для аккумуляторов следующего поколения. Новая архитектура преодолевает ограничения традиционных подходов, объединяя геометрические данные о кристаллах с лингвистическими описаниями их свойств.
Существующие большие языковые модели обучаются преимущественно на текстах научных статей и книг. Они не могут напрямую интерпретировать физические структуры веществ. Кристаллические решетки составляют более девяноста процентов твердых тел на Земле. Их электрические, химические и механические характеристики зависят не только от типа атомов, но и от способа их расположения в пространстве. Традиционные алгоритмы представляют эти структуры как графы связей, что ограничивает понимание контекста. Специализированные форматы данных с координатами атомов редко используются в обучении языковых моделей. Кроме того, научная литература содержит смещение в сторону хорошо изученных соединений. Это приводит к тому, что системы предлагают уже известные вещества вместо поиска новых кандидатов.
Для решения этих проблем команда разработала систему, связывающую трехмерную геометрию с текстовыми описаниями. Исследователи сгенерировали обширный набор данных, включающий химический состав, структуру, физические свойства и условия обработки материалов. Эти описания были созданы на основе экспериментальных статей и баз данных вычислительной физики. Модель обучалась с использованием метода контрастного обучения. Этот подход позволяет системе сопоставлять схожие структуры и описания в едином пространстве признаков. В результате алгоритм научился устанавливать связи между конкретными атомными конфигурациями и их функциональными возможностями.
Тестирование показало превосходство новой системы над моделями, обученными только на текстах. В эксперименте по поиску электролитов для твердотельных литий-ионных батарей алгоритм выделил вещества, перспективность которых ранее подтверждалась независимыми исследованиями. Твердые электролиты критически важны для развития безопасных и емких аккумуляторов. Способность системы учитывать атомные связи помогает эффективно просеивать огромные базы данных материалов. Результаты работы были опубликованы в журнале Nature Communications в конце августа.
Авторы подчеркивают, что текущая модель демонстрирует принципиальную возможность интеграции структурных и текстовых данных. Это направление может стать поворотным моментом в материаловедении, аналогичным влиянию систем предсказания белковых структур на биологию. Однако переход от теоретических предсказаний к промышленному применению требует дополнительных этапов. Необходимо проводить вычислительную верификацию и лабораторные испытания для оценки реальных характеристик синтезированных образцов. Будущие исследования должны сосредоточиться на оценке технологичности, стоимости производства и долгосрочной стабильности найденных кандидатов. Финансирование проекта предоставили Министерство обороны США и Национальный исследовательский фонд Южной Кореи.