透過將幾何結構映射到文字，讓AI對材料世界有「水晶般清晰」的視野

人工智能在材料科學領域面臨的主要挑戰是材料的物理性質與通常用於訓練大型語言模型的文字數據之間存在差異。大多數材料都是複雜的3D晶體排列，但現有的AI模型主要依賴文字流。這種局限性意味著模型通常缺乏對物理結構和性質的深入理解，導致輸出可能偏向於文字研究中頻繁記錄的少數晶體類別。

麻省理工學院團隊透過專為晶體材料構建視覺語言模型來解決這個問題。該模型透過對比學習（一種比較相似和不同範例的方法）將3D原子結構與相應的文字描述對齊來學習。這種方法使AI能夠發展出統一的理解，涵蓋化學成分、結構、性質、加工考量和潛在應用，超越了僅限文字的數據所能傳達的材料影響。

透過讓模型「看見」原子排列和鍵合模式，研究人員證明他們的系統可以識別出比僅透過文字訓練的模型更有效的材料設計。例如，當被要求識別適用於固態鋰離子電池電解質的材料時，該模型的首選建議包括了獨立被認為是有前景的候選材料。這表明多模式方法提供了對材料結構及其潛在用途更全面和準確的表示。