Die KI des MIT lernt, 3D-Kristalle zu „sehen“

Fragt man heutige große Sprachmodelle nach einem Material, das sich für eine Batterie eignet, antworten sie allein auf Grundlage von Text, ohne jegliche Vorstellung von den beteiligten Atomen. Ein Team am MIT hat ein Modell entwickelt, das diese Lücke schließen soll. In einer Arbeit in Nature Communications beschreiben die Forscher ein System, dem die dreidimensionale Anordnung der Atome in einem Kristall gezeigt wird und das lernt, diese in Worten zu beschreiben. Es fand bessere Materialentwürfe als Modelle, die nur mit Text trainiert wurden.

Die meisten festen Materialien auf der Erde sind Kristalle, das heißt, ihre Atome sind in hochgeordneten, sich wiederholenden dreidimensionalen Mustern angeordnet, und mehr als 90 Prozent der festen Materialien sind von dieser Art. Große Sprachmodelle lernen jedoch vor allem aus veröffentlichten Fachartikeln und Büchern, und viele mögliche Kristallstrukturen existieren nur in computergestützten Datenbanken. Auch die experimentelle Fachliteratur konzentriert sich stark auf einige wenige beliebte Kristallklassen, weshalb die Ergebnisse von KI-Systemen tendenziell genau auf diese Materialien hinauslaufen. Die Antwort des MIT-Teams bestand darin, jede Struktur mit einer reichhaltigen Beschreibung zu verbinden, die Zusammensetzung, Eigenschaften, Verarbeitung und mögliche Einsatzzwecke abdeckt, und das Modell anschließend mit kontrastivem Lernen zu trainieren: Es vergleicht passende und unpassende Paare aus Strukturen und Texten, bis beide übereinstimmen.

Der Vergleich mit einer reinen Textvariante ist der deutlichste Test in der Arbeit. Die Forscher trainierten zwei Modelle, eines mit KI-generierten Beschreibungen und eines nur mit Text aus Fachartikeln. Nur das erste lernte, geometrische Strukturen mit Text in Einklang zu bringen. Auf die Aufforderung, Materialien für Festkörper-Elektrolyte in Lithium-Ionen-Batterien zu finden, gehörten zu den besten Ergebnissen des Modells Materialien, die andere Forscher unabhängig voneinander als vielversprechende Kandidaten ausgemacht hatten. Auf eine Anfrage in natürlicher Sprache, die eine Eigenschaft beschreibt, fand es kristalline Materialien mit dieser Eigenschaft und übertraf damit einen Vergleichsmaßstab. Ju Li, der MIT-Professor, der die Arbeit leitet, vergleicht das Modell mit AlphaFold, dem System, das Proteinstrukturen mit ihrer Funktion verknüpfte und die biologische Forschung und Medikamentenentwicklung voranbrachte.

Für Materialwissenschaftler besteht die unmittelbare Veränderung darin, dass eine Suche bei der Eigenschaft beginnt, die sie benötigen, und nicht bei einer Verbindung, die sie bereits kennen. Ein Forscher, der einen besseren Festkörper-Elektrolyten sucht, könnte das gewünschte Verhalten beschreiben und Kandidaten zur Prüfung erhalten – eine Aufgabe, die heute vom Lesen von Fachartikeln und vom Durchführen von Experimenten abhängt. Olivetti, einer der Autoren, bringt die Hoffnung schlicht auf den Punkt: „Ich hoffe, dass dies einer dieser Quantensprünge sein kann.“ Die Forscher erwarten, dass der Ansatz bei vielen kristallinen Materialien funktioniert, und sie hoffen, dass andere Wissenschaftler ihn nutzen werden. Die berichteten Ergebnisse stammen vom Team selbst, und für eine Version, die andere Gruppen verwenden können, wurde noch kein Termin genannt.