Stellen Sie sich eine Welt vor, in der die Suche nach dem idealen Material für eine bestimmte Anwendung so einfach sein könnte wie eine Pizza zu bestellen. Theoretisch könnte künstliche Intelligenz diese Aufgabe drastisch vereinfachen, da Forscher ein großes Sprachmodell nutzen könnten, um ihre Anforderungen zu beschreiben und daraufhin die entsprechende Kristallstruktur zu erhalten. Dennoch trübt die Realität dieses idealisierte Konzept – insbesondere, wenn es um die Datendarstellung geht.
Die meisten Materialien, die wir täglich verwenden, bestehen aus Kristallen – komplexen dreidimensionalen Atomkonfigurationen –, und die Speicherung dieser Strukturen erfordert in der Regel spezielle Formate. Dies unterscheidet sich erheblich von den üblichen textbasierten Datenströmen, mit denen große Sprachmodelle derzeit trainiert werden. Zudem scheint sich der Großteil der experimentellen Literatur auf eine Handvoll Kristallklassen zu konzentrieren, wodurch unbeabsichtigt Verzerrungen in die KI-Ergebnisse eingeschleust werden.
Hilfe ist jedoch in Sicht. Eine Gruppe von MIT-Forschern hat ein innovatives multimodales KI-Modell entwickelt, das 3D-Atomstrukturen nahtlos mit Beschreibungen in natürlicher Sprache verbindet. Das Ergebnis sind umfassende sprachliche Darstellungen, die aus experimentellen Forschungsarbeiten und computergestützten Datenbanken extrahiert werden. Diese ausführlichen Beschreibungen umfassen alles von der chemischen Zusammensetzung und Struktur eines Materials bis hin zu seinen Eigenschaften, Verarbeitungsanforderungen und potenziellen Verwendungsmöglichkeiten – und verbessern so das Verständnis der KI für wichtige Materialien erheblich.
In einem Veröffentlichung in Nature Communications, … zeigen diese Forscher die Leistungsfähigkeit ihres Systems bei der Entwicklung überlegener Materialien im Vergleich zu Modellen, die ausschließlich aus Text lernen. Sie haben dem Modell den Blick für atomare Anordnungen und Bindungsmuster eröffnet, was zur erfolgreichen Identifizierung von Materialien geführt hat, die sich für Elektrolyte in Festkörper-Lithium-Ionen-Batterien eignen – und die perfekt mit unabhängig voneinander erkannten, vielversprechenden Kandidaten übereinstimmen. Darüber hinaus gelang es ihrem Modell, geometrische Strukturen darzustellen, die von rein textbasierten Modellen nicht erfasst werden konnten.
Als Ju Li, Professor für Energietechnik am MIT, von dieser Errungenschaft erfuhr, verdeutlichte er, wie entscheidend das Verständnis der Materialstruktur für ihre Wissenschaft ist. “Unser Ziel bei der Entwicklung des Modells war es, die Lücke zwischen der atomaren Struktur eines Materials und seinen Eigenschaften sowie seiner Verarbeitung zu schließen”, erklärte Li.
Seit Jahrtausenden sind Materialwissenschaftler auf der Suche nach neuen Kristallen, um die Produkte von morgen zu entwickeln. In den letzten zehn Jahren hat künstliche Intelligenz maßgeblich dazu beigetragen, diese Suche voranzutreiben, indem sie bei der Entwicklung neuer Kristallstrukturen half, die mehr als 90 Prozent der festen Materialien der Erde ausmachen. Leider beschränken sich die bestehenden Sprachmodelle weitgehend auf Textdaten aus veröffentlichten Arbeiten, was ihr Verständnis der physikalischen Eigenschaften potenzieller Kristallstrukturen, die in computergestützten Datenbanken gespeichert sind, einschränkt.
Unbeeindruckt von dieser Herausforderung entwickelten die MIT-Forscher ein speziell auf kristalline Materialien zugeschnittenes Bild-Sprache-Modell. Mithilfe des kontrastiven Lernens trainierten sie ein Sprachmodell darauf, textuelle Beschreibungen von Kristallstrukturen zu erstellen. Sie testeten sogar zwei Versionen des Modells – eine, die KI-generierte Beschreibungen verwendete, und eine andere, die Texte aus Forschungsarbeiten nutzte. Die KI-generierte Version zeigte erfolgreiche Korrelationen zwischen Text und geometrischen Strukturen.
Die Forscher stellten zudem fest, dass ihr Modell bei der Verarbeitung von Anfragen in natürlicher Sprache und der Identifizierung kristalliner Materialien mit bestimmten Eigenschaften andere Basismodelle übertrifft. Elsa Olivetti, ein wichtiges Projektmitglied, sah in dem Modell ein immenses Potenzial und bemerkte: “Unsere Methode ermöglicht es uns, dreidimensionale Strukturen tiefergehend zu untersuchen und Verbindungen zu ihren Eigenschaften und ihrer Verarbeitung herzustellen. Dieser Durchbruch kann den Fortschritt in der Materialwissenschaft erheblich vorantreiben.”
Li zog Vergleiche zwischen ihrem Modell und AlphaFold, einem weiteren KI-Modell, das für die Kartierung von Proteinstrukturen und -funktionen bekannt ist und in den Bereichen der biologischen Forschung und der Wirkstoffforschung große Aufmerksamkeit erregt. Das Team ist optimistisch, dass seine Technologie für eine Vielzahl kristalliner Materialien von großem Nutzen sein wird, und hofft, dass dies den Fortschritt auf diesem Gebiet beschleunigen wird.
Ju Li würdigte die Bedeutung dieser Bemühungen und deren potenziellen Nutzen und erklärte: “Die Möglichkeit, einen dreidimensionalen Kristall und seine atomaren Verbindungen zu visualisieren, ist von grundlegender Bedeutung. Für jeden, der sich mit Materialwissenschaften beschäftigt, wird dieses Werkzeug von unschätzbarem Wert sein.”
Diese bahnbrechende Arbeit wurde durch die Unterstützung der US-Behörde zur Reduzierung von Verteidigungsbedrohungen (Defense Threat Reduction Agency), der US-Behörde für fortgeschrittene Verteidigungsforschungsprojekte (Defense Advanced Research Projects Agency) und der Nationalen Forschungsstiftung Koreas ermöglicht. Weitere Informationen finden Sie unter Originalnachrichtenartikel.
Wenn Sie das Potenzial der KI-Automatisierung für Ihr Unternehmen ausschöpfen möchten, erfahren Sie mehr unter implementi.ai.
Diese Website verwendet Cookies.