通过将几何结构映射到文本，让AI对材料世界有“水晶般清晰”的视野

人工智能在材料科学领域面临的主要挑战是材料的物理性质与通常用于训练大型语言模型的文本数据之间存在差异。大多数材料都是复杂的3D晶体排列，但现有的AI模型主要依赖文本流。这种局限性意味着模型通常缺乏对物理结构和性质的深入理解，导致输出可能偏向于文本研究中频繁记录的少数晶体类别。

麻省理工学院团队通过专为晶体材料构建视觉语言模型来解决这个问题。该模型通过对比学习（一种比较相似和不同示例的方法）将3D原子结构与相应的文本描述对齐来学习。这种方法使AI能够发展出统一的理解，涵盖化学成分、结构、性质、加工考量和潜在应用，超越了仅限文本的数据所能传达的材料影响。

通过让模型“看见”原子排列和键合模式，研究人员证明他们的系统可以识别出比仅通过文本训练的模型更有效的材料设计。例如，当被要求识别适用于固态锂离子电池电解质的材料时，该模型的首选建议包括了独立被认为是有前景的候选材料。这表明多模态方法提供了对材料结构及其潜在用途更全面和准确的表示。