MIT-Modell lässt KI Kristallstrukturen in 3D „sehen“, um bessere Materialien zu finden

Warum Sprachmodelle mit Kristallen Schwierigkeiten haben

Im Prinzip könnte KI die Suche nach dem passenden Material für eine Anwendung so einfach machen, dass man einem großen Sprachmodell nur sagen muss, was benötigt wird, und ein designtes Kristall zurückbekommt. Laut MIT News funktioniert dieser Ansatz noch nicht gut, und das Problem liegt in den Daten.

Die meisten Materialien bestehen aus Kristallen, also aus dreidimensionalen, periodischen Anordnungen von Atomen. Ihre Strukturen werden in spezialisierten Formaten gespeichert und nicht in den Textströmen, mit denen heutige große Sprachmodelle trainiert werden. Zudem ist die experimentelle Literatur stark auf einige wenige populäre Kristallklassen ausgerichtet, sodass die Ergebnisse der KI zu diesen Materialien tendieren.

Bestehende Sprachmodelle stützen sich stark auf Texte aus Fachartikeln und Büchern. Das begrenzt ihr Wissen über die physische Welt, denn viele potenzielle Kristallstrukturen finden sich in Computerdatenbanken. Textbasierten Modellen fehlt außerdem ein Verständnis für visuelle Geometrie. Kristalline Materialien haben hochgeordnete Atomstrukturen und machen laut dem Artikel mehr als 90 Prozent der festen Materialien auf der Erde aus.

So funktioniert das Modell

Das Team entwickelte ein Vision-Language-Modell für kristalline Materialien. Es kombiniert dreidimensionale Atomstrukturen mit Beschreibungen in natürlicher Sprache und greift dabei auf experimentelle Fachartikel sowie auf First-Principles-Datenbanken zurück. Die daraus entstehende einheitliche Beschreibung umfasst die chemische Zusammensetzung und Struktur sowie Eigenschaften, Aspekte der Verarbeitung und mögliche Anwendungen.

Die Forscher trainierten ein Sprachmodell darauf, mithilfe von Contrastive Learning textliche Beschreibungen von Kristallstrukturen zu erstellen. Bei diesem Verfahren vergleichen Modelle ähnliche und unähnliche Beispiele von Strukturen und Beschreibungen, um zu einem gemeinsamen Verständnis zu gelangen. Das MIT vergleicht dies mit dem Abgleich der visuellen und der sprachlichen Areale im Gehirn.

Anschließend verglich das Team zwei Versionen des Modells: eine, die mit einem Datensatz aus KI-generierten Beschreibungen trainiert wurde, und eine, die nur mit Text aus Fachartikeln trainiert wurde. Das erste Modell lernte, geometrische Strukturen mit Textbeschreibungen in Einklang zu bringen, das andere nicht. „Wir haben festgestellt, dass die Modelle mit diesem narrativen Datensatz die Funktion besser vorhersagen“, sagte Ju Li, Carl Richard Soderberg Professor in Power Engineering am Department of Materials Science and Engineering.

Ergebnisse und Beispiel Batterie-Elektrolyt

Die Forscher zeigten, dass das Modell eine Anfrage in natürlicher Sprache, die eine Eigenschaft beschreibt, aufgreifen und kristalline Materialien mit dieser Eigenschaft identifizieren kann und dabei eine Vergleichsbasis übertraf. In einem Test baten sie es, Materialien zu finden, die sich als Elektrolyte für Festkörper-Lithium-Ionen-Batterien eignen. Unter den Top-Ergebnissen waren Materialien, die unabhängig davon bereits als vielversprechende Kandidaten identifiziert worden waren.

Die Veröffentlichung mit dem Titel „Scaling multimodal materials representation learning with synthetic narratives“ berichtet zudem, das Modell habe geometrische Repräsentationen von Materialstrukturen auf eine Weise gelernt, zu der rein textbasierte Modelle nicht in der Lage sind.

Neben Li sind Yang Jeong Park, Erstautor und ehemaliger Postdoc am MIT, Mayank Kumaran, Absolvent der Computertechnik an der University of Illinois Urbana-Champaign, Chia-Wei Hsu SM '26 sowie Elsa Olivetti, Jerry McAfee (1940) Professor in Engineering am DMSE, Autoren der Arbeit. Die Arbeit wurde unter anderem von der US-amerikanischen Defense Threat Reduction Agency über die University Research Alliance, der US-amerikanischen Defense Advanced Research Projects Agency und der National Research Foundation of Korea unterstützt.

Was das für die Materialwissenschaft bedeuten könnte

Li vergleicht das Modell mit AlphaFold, einem KI-Modell, das Proteinstrukturen mit ihrer Funktion verknüpft und die biologische Forschung sowie die Wirkstoffentwicklung vorangebracht hat. „Die Struktur steht im Zentrum der Materialwissenschaft“, sagte er. „Wenn man die Struktur versteht, kann man ziemlich viel über die Eigenschaften und die Leistungsfähigkeit von Materialien ableiten.“

Olivetti sagte, der Ansatz helfe Forschern, tiefer in dreidimensionale Strukturen zu blicken und Strukturen mit Eigenschaften und Verarbeitung zu verknüpfen. „Ich hoffe, dass dies einer dieser Quantensprünge sein kann“, sagte sie.

Die Forscher gehen davon aus, dass der Ansatz mit vielen kristallinen Materialien funktionieren kann, und hoffen, dass andere Materialwissenschaftler ihn nutzen, um ihre Arbeit zu beschleunigen. Li sagte: „Ich denke, das wird für jeden nützlich sein, der Materialwissenschaft betreibt.“