Stellen Sie sich eine Welt vor, in der die Suche nach dem idealen Material f\u00fcr eine bestimmte Anwendung so einfach sein k\u00f6nnte wie das Bestellen einer Pizza. Theoretisch k\u00f6nnte k\u00fcnstliche Intelligenz diese Aufgabe drastisch vereinfachen, da Forscher mithilfe eines gro\u00dfen Sprachmodells ihre Anforderungen beschreiben und daraufhin die entsprechende Kristallstruktur erhalten k\u00f6nnten. Dennoch tr\u00fcbt die Realit\u00e4t dieses idealisierte Konzept \u2013 insbesondere, wenn es um die Datendarstellung geht.<\/p>\n
Die meisten Materialien, die wir t\u00e4glich verwenden, bestehen aus Kristallen \u2013 komplexen dreidimensionalen Atomkonfigurationen \u2013, und die Speicherung dieser Strukturen erfordert in der Regel spezielle Formate. Dies unterscheidet sich erheblich von den \u00fcblichen textbasierten Datenstr\u00f6men, mit denen gro\u00dfe Sprachmodelle derzeit trainiert werden. Zudem scheint sich der Gro\u00dfteil der experimentellen Literatur auf eine Handvoll Kristallklassen zu konzentrieren, was unbeabsichtigt zu Verzerrungen in den KI-Ergebnissen f\u00fchrt.<\/p>\n
Hilfe ist jedoch in Sicht. Eine Gruppe von MIT-Forschern hat ein innovatives multimodales KI-Modell entwickelt, das 3D-Atomstrukturen nahtlos mit Beschreibungen in nat\u00fcrlicher Sprache verbindet. Das Ergebnis sind umfassende sprachliche Darstellungen, die aus experimentellen Forschungsarbeiten und computergest\u00fctzten Datenbanken extrahiert werden. Diese ausf\u00fchrlichen Beschreibungen umfassen alles von der chemischen Zusammensetzung und Struktur eines Materials bis hin zu seinen Eigenschaften, Verarbeitungsanforderungen und potenziellen Verwendungsm\u00f6glichkeiten \u2013 und verbessern so das Verst\u00e4ndnis der KI f\u00fcr wichtige Materialien erheblich.<\/p>\n
In einem Ver\u00f6ffentlichung in Nature Communications<\/em><\/a>, \u2026 zeigen diese Forscher die Leistungsf\u00e4higkeit ihres Systems bei der Entwicklung \u00fcberlegener Materialien im Vergleich zu Modellen, die ausschlie\u00dflich aus Text lernen. Sie haben dem Modell Einblicke in atomare Anordnungen und Bindungsmuster erm\u00f6glicht, was zur erfolgreichen Identifizierung von Materialien gef\u00fchrt hat, die f\u00fcr Elektrolyte in Festk\u00f6rper-Lithium-Ionen-Batterien geeignet sind \u2013 und die perfekt mit unabh\u00e4ngig voneinander erkannten, vielversprechenden Kandidaten \u00fcbereinstimmen. Dar\u00fcber hinaus gelang es ihrem Modell, geometrische Strukturen darzustellen, die von rein textbasierten Modellen nicht erfasst werden konnten.<\/p>\n Als Ju Li, Professor f\u00fcr Energietechnik am MIT, von dieser Errungenschaft erfuhr, verdeutlichte er, wie entscheidend das Verst\u00e4ndnis der Materialstruktur f\u00fcr ihre Wissenschaft ist. \u201cUnser Ziel bei der Entwicklung des Modells war es, die L\u00fccke zwischen der atomaren Struktur eines Materials und seinen Eigenschaften sowie seiner Verarbeitung zu schlie\u00dfen\u201d, erkl\u00e4rte Li.<\/p>\n Seit Jahrtausenden sind Materialwissenschaftler auf der Suche nach neuen Kristallen, um die Produkte von morgen zu entwickeln. In den letzten zehn Jahren hat k\u00fcnstliche Intelligenz ma\u00dfgeblich 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 beschr\u00e4nken sich die bestehenden Sprachmodelle weitgehend auf Textdaten aus ver\u00f6ffentlichten Arbeiten, was ihr Verst\u00e4ndnis der physikalischen Eigenschaften potenzieller Kristallstrukturen, die in computergest\u00fctzten Datenbanken gespeichert sind, einschr\u00e4nkt.<\/p>\n 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 \u2013 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.<\/p>\n Die Forscher konnten zudem nachweisen, dass ihr Modell bei der Verarbeitung von Anfragen in nat\u00fcrlicher Sprache und der Identifizierung kristalliner Materialien mit bestimmten Eigenschaften andere Basismodelle \u00fcbertrifft. Elsa Olivetti, ein wichtiges Projektmitglied, sah in dem Modell ein immenses Potenzial und bemerkte: \u201cUnsere Methode erm\u00f6glicht 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.\u201d<\/p>\n Li zog Vergleiche zwischen ihrem Modell und AlphaFold, einem weiteren KI-Modell, das f\u00fcr die Kartierung von Proteinstrukturen und -funktionen bekannt ist und in den Bereichen der biologischen Forschung und der Wirkstoffforschung gro\u00dfe Aufmerksamkeit erregt. Das Team ist optimistisch, dass seine Technologie f\u00fcr eine Vielzahl kristalliner Materialien von gro\u00dfem Nutzen sein wird, und hofft, dass dies den Fortschritt auf diesem Gebiet beschleunigen wird.<\/p>\n Ju Li w\u00fcrdigte die Bedeutung dieser Bem\u00fchungen und deren potenziellen Nutzen und erkl\u00e4rte: \u201cDie M\u00f6glichkeit, einen dreidimensionalen Kristall und seine atomaren Verbindungen zu visualisieren, ist von grundlegender Bedeutung. F\u00fcr jeden, der sich mit Materialwissenschaften besch\u00e4ftigt, wird dieses Werkzeug von unsch\u00e4tzbarem Wert sein.\u201d<\/p>\n Diese bahnbrechende Arbeit wurde durch die Unterst\u00fctzung der US-Beh\u00f6rde zur Reduzierung von Verteidigungsbedrohungen (Defense Threat Reduction Agency), der US-Beh\u00f6rde f\u00fcr fortgeschrittene Verteidigungsforschungsprojekte (Defense Advanced Research Projects Agency) und der Nationalen Forschungsstiftung Koreas erm\u00f6glicht. Weitere Informationen finden Sie unter Originalnachrichtenartikel<\/a>.<\/p>\nEin mutiger Sprung f\u00fcr die Materialwissenschaft<\/h5>\n