Un modello del MIT abbina strutture cristalline 3D e testo per aiutare l'IA a ragionare sui materiali

Ricercatori del MIT, insieme a collaboratori, hanno costruito un modello di IA multimodale che collega strutture cristalline tridimensionali a descrizioni in linguaggio naturale, in modo che i sistemi di IA possano ragionare sui materiali cristallini e sulle loro proprietà. Lo studio, del gruppo di Ju Li presso il Dipartimento di Scienza e Ingegneria dei Materiali del MIT, è pubblicato sulla rivista sottoposta a revisione paritaria Nature Communications. L'articolo chiama il sistema CLaC, da Contrastive Language-Crystal model (modello contrastivo linguaggio-cristallo).

Secondo MIT News, gli attuali modelli linguistici di grandi dimensioni hanno difficoltà con i materiali perché le strutture cristalline sono conservate in formati specializzati anziché nel testo da cui questi modelli apprendono, e perché la letteratura sperimentale si concentra su un numero ridotto di classi cristalline popolari. L'articolo osserva che le banche dati di cristalli contengono solo milioni di voci, molte meno dei dati alla base dei modelli visione-linguaggio. Per compensare, il team ha abbinato strutture del Materials Project a narrazioni sintetizzate con GPT e ancorate a proprietà calcolate, insieme a paragrafi estratti da articoli scientifici. Gli autori riferiscono che le narrazioni sintetiche coprono un insieme di cristalli 300 volte più diversificato rispetto alla letteratura scritta da esseri umani. Una rete neurale a grafo codifica le strutture, un codificatore di testo gestisce il linguaggio e l'apprendimento contrastivo colloca entrambi in uno spazio di rappresentazione condiviso.

Nei test zero-shot, la versione addestrata su narrazioni sintetiche ha abbinato le strutture alla corretta descrizione della composizione con un'accuratezza del 95,4 ± 0,2%, contro il 13,5 ± 0,3% di un modello non addestrato e il 17,8 ± 0,3% di un modello di riferimento basato su Gemma-3-1b-it, afferma l'articolo. Una versione addestrata solo su testo estratto da articoli si è comportata in larga misura come una selezione casuale quando le è stato chiesto di recuperare materiali corrispondenti a una proprietà obiettivo. In un esempio sulle batterie, i ricercatori hanno cercato candidati elettroliti allo stato solido per ioni di litio usando come unico criterio un'ampia banda proibita; tutti i 30 materiali in cima alla classifica contenevano litio, con una banda proibita media di 3,23 eV. Li6PClO5, al quarto posto, era già stato segnalato come promettente in lavori indipendenti, e Li4SiO4, al nono posto, era già stato realizzato in precedenza come elettrolita solido a film sottile.

Gli autori descrivono anche limiti evidenti. L'accuratezza nella classificazione dei sistemi cristallini è stata solo del 34,0 ± 0,4%, all'incirca al livello del modello di riferimento Gemma, cosa che collegano a una piccola dimensione del batch di addestramento, pari a 16, e a una distribuzione fortemente sbilanciata dei sistemi cristallini. La conducibilità ionica, una proprietà chiave per gli elettroliti, è assente dal set di dati sintetico, quindi non ha potuto essere usata nella ricerca per le batterie. L'articolo aggiunge che il settore manca di benchmark multimodali standard, il che rende difficili i confronti diretti tra modelli, che la scoperta di materiali basata su istruzioni con il modello resta un lavoro futuro, e che servono ulteriori ricerche su come la composizione del set di dati e la generazione del testo influenzino il comportamento di recupero e i possibili bias.

«La struttura è davvero al cuore del campo della scienza dei materiali», ha detto Li nel comunicato di MIT News, aggiungendo che comprendere la struttura permette ai ricercatori di dedurre molto sulle proprietà di un materiale. Ha paragonato il modello ad AlphaFold, che mette in relazione le strutture delle proteine con la loro funzione. La coautrice Elsa Olivetti ha detto che l'approccio collega la struttura alla proprietà e alla lavorazione, e ha aggiunto: «Spero che questo possa essere uno di quei cambiamenti radicali». Gli altri autori sono il primo autore Yang Jeong Park, ex postdoc al MIT, Mayank Kumaran e Chia-Wei Hsu. Secondo MIT News, il lavoro è stato finanziato in parte dalla National Research Foundation of Korea e da due agenzie della difesa statunitensi, la Defense Threat Reduction Agency e la Defense Advanced Research Projects Agency.