麻省理工学院开发三维AI模型，提升下一代电池材料发现精度
2026年10月21日 · 阅读 1 分钟
麻省理工学院研究团队开发了一种能够理解原子三维排列和自然语言的多模态人工智能模型。与传统的大型语言模型主要通过学习学术论文和书籍中的文本来理解材料的实际结构不同，此次模型结合了原子排列和结合模式，将语言信息与材料的结构、物性、加工条件及其应用潜力进行推理。
研究团队表示，该模型在识别潜在的优质晶体材料方面显示了优越的性能，尤其是在寻找适合固态锂离子电池电解质的材料实验中，模型提出的优质候选材料与已有研究结果一致。
固态材料大多由晶体结构组成，晶体是原子在三维空间中规律排列的结构，约占地球上固体物质的90%。原子的种类、排列方式及其间的结合关系影响材料的电学、化学和机械特性。
研究团队为克服传统AI在晶体结构理解上的局限，开发了一种将晶体的三维结构与自然语言描述结合的视觉语言模型。该模型的核心在于将晶体结构转化为包含丰富语言描述的信息，而不仅仅是简单的数值或图形。
通过对比使用AI生成的描述数据与仅依赖文本学习的模型，研究团队发现，前者在连接几何结构和语言描述的能力上表现更佳。这表明，AI在材料科学领域的发展超越了仅重复已有文献的知识，能够将原子结构与物性及功能相联系。
此次研究虽然未通过实验直接验证特定材料的性能，却展示了AI如何综合学习晶体结构与物性信息，从而识别出优质候选材料。研究团队期望该模型能够在材料科学研究领域带来新的转折点，促进新材料发现的效率。