با نگاشت هندسه به متن، دیدی شفاف از دنیای مواد به هوش مصنوعی بدهید

توسط زک وین، موسسه فناوری ماساچوست

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

در اصل، هوش مصنوعی می‌تواند یافتن مواد مناسب برای یک برنامه کاربردی را به سادگی سفارش دادن شام کند: دانشمندان به یک مدل زبان بزرگ می‌گویند که چه می‌خواهند، و به آنها مواد عالی برای کار ارائه می‌دهد.

متأسفانه، این رویکرد هنوز به خوبی کار نمی‌کند، و مشکل به داده‌ها برمی‌گردد: بیشتر مواد از چیدمان‌های سه‌بعدی کریستال‌ها تشکیل شده‌اند، نه جریان‌های متنی که مدل‌های زبان بزرگ امروزی روی آن‌ها آموزش دیده‌اند. ادبیات تجربی نیز به شدت به سمت چند کلاس محبوب کریستال ها سوگیری دارد و باعث می شود خروجی های هوش مصنوعی به سمت آن مواد منحرف شوند.

اکنون محققان MIT یک مدل هوش مصنوعی چندوجهی ایجاد کرده اند که با این مشکلات مقابله می کند. این مدل ساختارهای اتمی سه‌بعدی را با توصیف‌های زبان طبیعی ترکیب می‌کند تا توصیفات زبانی غنی در مورد ساختارها از مقالات تحقیقاتی تجربی و پایگاه‌های داده محاسباتی اصول اول ایجاد کند.

توضیحات یکپارچه نه تنها ترکیب شیمیایی و ساختار، بلکه ویژگی‌های آن، ملاحظات پردازش و کاربردهای بالقوه را مشخص می‌کند و به هوش مصنوعی کمک می‌کند تا در مورد آنچه که مواد را تأثیرگذار می‌کند بیشتر بداند.

در مقاله جدیدی در Nature Communications، محققان نشان دادند که سیستم آنها می‌تواند طرح‌های مواد بهتری را نسبت به مدل‌هایی که به تنهایی بر روی جریان متن آموزش داده شده‌اند، با اجازه دادن به مدل برای "دیدن" آرایش اتمی و الگوهای پیوند شناسایی کند.

به عنوان مثال، هنگامی که محققان از مدل خواستند مواد مناسب برای الکترولیت های باتری لیتیوم یون حالت جامد را شناسایی کند، نتایج برتر آن شامل موادی بود که به طور مستقل به عنوان نامزدهای امیدوارکننده شناسایی شده بودند. محققان همچنین نشان دادند که مدل آن‌ها نمایش‌های هندسی ساختارهای مواد را به روشی آموخته‌اند که مدل‌های فقط متنی نمی‌توانستند.

جو لی، پروفسور کارل ریچارد سودربرگ در رشته مهندسی نیرو در دپارتمان علوم و مهندسی مواد (DMSE) می گوید: «ساختار واقعا در قلب حوزه علم مواد قرار دارد. "اگر ساختار را درک کنید، می توانید اطلاعات زیادی در مورد خواص و عملکرد مواد بدست آورید. ما می خواستیم بین ساختار اتمی یک ماده و خواص و پردازش آن برای مدل ارتباط برقرار کنیم."

یانگ جونگ پارک، نویسنده اول و فوق دکترای سابق MIT، به لی در مقاله درباره مدل ملحق می شوند. مایانک کوماران، فارغ التحصیل اخیر مهندسی کامپیوتر از دانشگاه ایلینویز Urbana-Champaign. Chia-Wei Hsu SM; و السا اولیوتی، جری مک آفی (1940) استاد مهندسی در DMSE.

دانشمندان مواد همیشه در جستجوی کریستال های جدیدی هستند که به محصولات آینده منتهی می شوند. در طول دهه گذشته، هوش مصنوعی این فرآیند را تغییر داده و ساختارهای کریستالی جدیدی را پیشنهاد و طراحی کرده است که ساختارهای اتمی بسیار منظمی دارند و بیش از 90 درصد مواد جامد روی زمین را تشکیل می‌دهند. اکثر این مدل ها مواد کریستالی جامد را به عنوان نمودارهای سه بعدی در نظر می گیرند.

ظهور مدل های زبانی بزرگ ابزار دیگری برای نوآوری در اختیار محققان قرار داده است. اما مدل‌های زبان بزرگ موجود به شدت به متن مقالات و کتاب‌های منتشر شده متکی هستند و دانش آن‌ها را از دنیای فیزیکی محدود می‌کند، زیرا بسیاری از ساختارهای کریستالی بالقوه در پایگاه‌های داده محاسباتی ذخیره می‌شوند. مدل‌های مبتنی بر متن نیز درک درستی از هندسه بصری ندارند.

برای غلبه بر این چالش ها، محققان تصمیم گرفتند یک مدل زبان بینایی برای مواد کریستالی ایجاد کنند.

آنها یک مدل زبان را برای ایجاد توصیفات متنی از ساختارهای کریستالی با استفاده از رویکردی به نام یادگیری متضاد آموزش دادند، که در آن مدل‌ها نمونه‌های مشابه و غیر مشابه ساختارها و توصیف‌های متنی را برای دستیابی به درک یکپارچه مقایسه می‌کنند. این شبیه به تراز کردن مناطق بینایی و زبانی مغز است.

پس از آموزش، محققان پیش‌بینی‌های دو نسخه از مدل را با هم مقایسه کردند: یکی بر روی مجموعه داده‌ای که حاوی توضیحات تولید شده توسط هوش مصنوعی است و دیگری بر روی مجموعه داده‌ای که فقط حاوی متنی از مقالات است، آموزش دیده است. آنها دریافتند که مدلی که بر روی توصیفات ایجاد شده توسط هوش مصنوعی آموزش دیده بود، با موفقیت یاد گرفت که چگونه ساختارهای هندسی را با توضیحات متن تراز کند، در حالی که مدل دیگر این کار را نکرد.

لی می گوید: «ما می خواستیم یک مدل هوش مصنوعی ایجاد کنیم که به طور گسترده در مواد کار کند. "به همین دلیل است که ما تصمیم گرفتیم به جای تکیه بر مقالات موجود، روایت ها را ترکیب کنیم. وقتی از مجموعه داده های روایتی استفاده کردیم، متوجه شدیم که مدل ها در پیش بینی عملکرد بهتر هستند."

سپس محققان نشان دادند که می‌توان به مدل آن‌ها یک پرس و جوی زبان طبیعی داد که یک ویژگی را توصیف می‌کند و مواد کریستالی را با آن ویژگی شناسایی می‌کند و از خط پایه بهتر عمل می‌کند.

اولیوتی می‌گوید: «گاهی اوقات این تغییرات مرحله‌ای در علم مواد حول یکپارچه‌سازی الگوریتمی به سمت ابزارهای مفید وجود دارد، که جامعه از آن‌ها برای پیشرفت بیشتر این حوزه استفاده می‌کند. "این رویکرد به ما کمک می کند تا ساختارهای سه بعدی را عمیق تر ببینیم و ساختارها را به دارایی و پردازش پیوند دهیم. امیدوارم این یکی از آن تغییرات گام باشد."

لی این مدل را با AlphaFold مقایسه می‌کند، یک مدل هوش مصنوعی که ساختارهای پروتئینی را با عملکرد مرتبط می‌کند که به پیشرفت تحقیقات بیولوژیکی و توسعه دارو کمک کرده است.

محققان بر این باورند که رویکرد جدید آنها می تواند با بسیاری از مواد کریستالی کار کند و آنها امیدوارند که دانشمندان مواد دیگر از آن برای تسریع کار خود استفاده کنند.

لی می گوید: «توانایی دیدن یک کریستال سه بعدی و نحوه اتصال اتم های آن بسیار اساسی است. "من فکر می کنم این برای هر کسی که علم مواد را تمرین می کند مفید خواهد بود."

یانگ جونگ پارک و همکاران، مقیاس‌بندی یادگیری بازنمایی مواد چندوجهی با روایت‌های مصنوعی، ارتباطات طبیعت (2026). DOI: 10.1038/s41467-026-76378-7

ارائه شده توسط موسسه فناوری ماساچوست

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →

این داستان با حسن نیت از MIT News (web.mit.edu/newsoffice/)، یک سایت محبوب که اخبار مربوط به تحقیقات، نوآوری و آموزش MIT را پوشش می دهد، بازنشر شده است.