原则上，人工智能可以让寻找合适应用材料变得像点餐一样简单：科学家告诉大语言模型他们需要什么，模型就能提供完美的材料方案。
遗憾的是，这种方法目前还不太奏效，问题的根源在于数据：大多数材料由3D排列的晶体构成，而不是当今大语言模型训练所用的文本流。此外，实验文献在类型分布上严重偏向少数几类常见晶体，这导致AI输出结果也偏向这些材料。
现在，麻省理工学院的研究人员开发了一种多模态AI模型，来解决这些问题。该模型将3D原子结构与自然语言描述相结合，从实验研究论文和第一性原理计算数据库中生成关于结构的丰富语言描述。这种统一的描述不仅概括了化学成分和结构，还包括材料的性质、加工考量因素和潜在应用，从而帮助AI更深入地理解是什么让材料具有实用价值。
在《自然-通讯》发表的一篇新论文中，研究人员展示了他们的系统能够识别出比仅基于文本训练的模型更优的材料设计方案，方法是让模型"看到"原子排列和成键模式。例如，当研究人员要求该模型识别适合固态锂离子电池电解质的材料时，其给出的顶尖结果中就包括了已被独立确认为有潜力的候选材料。研究人员还展示了，他们的模型能够以纯文本模型无法实现的方式学习材料结构的几何表征。
材料科学的核心是结构，麻省理工学院材料科学与工程系及核科学与工程系卡尔·理查德·索德伯格电力工程教授李巨（音译）表示："如果你理解了结构，就能推断出材料性质和性能的很多信息。我们想为模型建立起材料原子结构与其性质及加工工艺之间的联系。"
与李巨共同撰写这篇模型论文的还有：第一作者、前麻省理工学院博士后朴阳正（音译）；伊利诺伊大学厄巴纳-香槟分校计算机工程专业应届毕业生马扬克·库马兰；2026届硕士许家伟（音译）；以及材料科学与工程系杰里·麦卡菲（1940届）工程学教授艾尔莎·奥利维蒂。
让模型学会三维视觉
材料科学家一直在寻找能够催生未来产品的新型晶体。过去十年间，AI已经重塑了这一流程，开始提出和设计新的晶体结构——这类结构具有高度有序的原子排列，构成了地球上90%以上的固体材料。大多数此类模型将固态晶体材料视为3D图形来处理。
大语言模型的兴起为研究人员的创新提供了另一种工具。但现有大语言模型严重依赖已发表论文和书籍中的文本，这限制了它们对物理世界的认知，因为许多潜在的晶体结构实际上存储在计算数据库中。基于文本的模型也缺乏对视觉几何的理解能力。
为克服这些挑战，研究人员决定为晶体材料创建一个视觉-语言模型。
他们采用一种称为对比学习的方法训练语言模型生成晶体结构的文本描述，即让模型比较相似和不相似的结构样本及其文本描述，从而形成统一的理解。这类似于让大脑的视觉区域和语言区域相互对齐。
训练完成后，研究人员比较了该模型两个版本的预测结果：一个版本基于包含AI生成描述的数据集训练，另一个版本仅基于论文原文文本数据集训练。他们发现，基于AI生成描述训练的模型成功学会了将几何结构与文本描述对齐，而另一个版本则未能做到这一点。
李巨表示："我们想创建一个能够广泛适用于各类材料的AI模型，这就是我们决定合成叙述性描述而非仅依赖现有论文的原因。我们发现，当使用这种叙述性数据集时，模型能更好地预测材料功能。"
加速材料科学研究
接着，研究人员展示了他们的模型能够接受描述某种性质的自然语言查询，并识别出具有该性质的晶体材料，其表现优于基准模型。
奥利维蒂表示："材料科学领域有时会在算法整合为实用工具方面出现阶跃式变化，社区会利用这些工具进一步推动该领域发展。这种方法帮助我们更深入地观察三维结构，并将结构与性质及加工工艺联系起来。我希望这能成为那样的阶跃式变化之一。"
李巨将这一模型与AlphaFold相提并论，后者是一种将蛋白质结构与功能相关联的AI模型，已经推动了生物学研究和药物开发的发展。
研究人员相信，他们的新方法能够适用于多种晶体材料，并希望其他材料科学家能够利用它来加速自己的研究工作。
李巨说："能够看到三维晶体及其原子如何连接是非常基础的能力，我认为这对所有从事材料科学研究的人都会有所帮助。"
该研究工作部分获得以下机构支持：美国国防威胁降低局（通过大学研究联盟）、美国国防高级研究计划局以及韩国国家研究基金会。
Q&A
Q1：MIT开发的这个多模态AI模型主要解决什么问题？
A：它解决了大语言模型难以理解材料3D晶体结构的问题。传统大语言模型主要依赖文本训练，而材料科学的核心是3D原子排列结构，该模型通过结合3D原子结构与自然语言描述，让AI能更准确地理解材料性质并预测其功能。
Q2：这个AI模型在实际应用中表现如何？
A：研究人员让模型识别适合固态锂离子电池电解质的材料，其给出的顶尖候选材料中就包括了已被独立验证为有潜力的材料，证明该模型确实能帮助发现更优的材料设计方案，优于仅依靠文本训练的模型。
Q3：这项技术未来能用在哪些领域？
A：研究人员认为该方法可广泛适用于各类晶体材料的研究工作，并将其与AlphaFold相比较（后者推动了生物学和药物开发领域的进步）。他们希望这项技术能加速整个材料科学领域的研究进程，帮助科学家更好地理解原子结构与材料性能之间的关系。
