Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
Ask today's large language models for a material suited to a battery and they answer from text alone, without any picture of the atoms involved. A team at MIT has built a model meant to close that gap. In a paper in Nature Communications, the researchers describe a system that is shown the three-dimensional arrangement of atoms in a crystal and learns to describe it in words. It identified better material designs than models trained on text alone.
Si se pide a los grandes modelos de lenguaje actuales un material adecuado para una batería, responden basándose solo en texto, sin ninguna imagen de los átomos implicados. Un equipo del MIT ha creado un modelo destinado a cerrar esa brecha. En un artículo de Nature Communications, los investigadores describen un sistema al que se muestra la disposición tridimensional de los átomos de un cristal y que aprende a describirla con palabras. Identificó mejores diseños de materiales que los modelos entrenados solo con texto.
Most solid materials on Earth are crystals, meaning their atoms sit in highly ordered, repeating three-dimensional patterns, and more than 90 percent of solid materials are of this kind. Large language models, however, learn mostly from published papers and books, and many possible crystal structures exist only in computational databases. The experimental literature is also heavily concentrated on a few popular classes of crystals, so AI outputs tend to skew toward those same materials. The MIT team's answer was to pair each structure with a rich description covering composition, properties, processing and possible uses, then train the model with contrastive learning: it compares matching and mismatched pairs of structures and texts until the two align.
La mayoría de los materiales sólidos de la Tierra son cristales, es decir, sus átomos se sitúan en patrones tridimensionales muy ordenados y repetitivos, y más del 90 % de los materiales sólidos son de este tipo. Sin embargo, los grandes modelos de lenguaje aprenden sobre todo de artículos y libros publicados, y muchas estructuras cristalinas posibles existen únicamente en bases de datos computacionales. La literatura experimental también se concentra en unas pocas clases populares de cristales, por lo que los resultados de la IA tienden a centrarse en esos mismos materiales. La respuesta del equipo del MIT fue asociar cada estructura con una descripción detallada que abarca la composición, las propiedades, el procesamiento y los posibles usos, y entrenar después el modelo mediante aprendizaje contrastivo: compara pares de estructuras y textos que coinciden y que no coinciden hasta que ambos se alinean.
The comparison with a text-only version is the clearest test in the paper. The researchers trained two models, one on AI-generated descriptions and one on text from papers only. Only the first learned to align geometric structures with text. Asked to find materials for solid-state lithium-ion battery electrolytes, the model's top results included materials that other researchers had independently identified as promising candidates. Given a natural language query describing a property, it identified crystalline materials with that property and outperformed a baseline. Ju Li, the MIT professor who leads the work, compares it to AlphaFold, the model that linked protein structures to their function and helped advance biological research and drug development.
La comparación con una versión que solo usa texto es la prueba más clara del artículo. Los investigadores entrenaron dos modelos, uno con descripciones generadas por IA y otro solo con texto de artículos. Solo el primero aprendió a alinear las estructuras geométricas con el texto. Al pedirle que buscara materiales para electrolitos sólidos de baterías de iones de litio, entre sus mejores resultados figuraban materiales que otros investigadores habían identificado de forma independiente como candidatos prometedores. Ante una consulta en lenguaje natural que describía una propiedad, identificó materiales cristalinos con esa propiedad y superó a un modelo de referencia. Ju Li, el profesor del MIT que dirige el trabajo, lo compara con AlphaFold, el modelo que relacionó las estructuras de las proteínas con su función y contribuyó a avanzar en la investigación biológica y en el desarrollo de fármacos.
For materials scientists, the immediate change is a search that starts from the property they need instead of from a compound they already know. A researcher looking for a better solid electrolyte could describe the behaviour wanted and receive candidates to examine, a task that today depends on reading papers and running experiments. Olivetti, one of the authors, puts the hope plainly: “I hope this can be one of those step changes.” The researchers expect the approach to work across many crystalline materials, and they hope other scientists will use it. The reported results are the team's own, and no date has been given for a version other groups can use.
Para los científicos de materiales, el cambio inmediato es una búsqueda que parte de la propiedad que necesitan y no de un compuesto que ya conocen. Un investigador que busque un mejor electrolito sólido podría describir el comportamiento deseado y recibir candidatos para examinar, una tarea que hoy depende de la lectura de artículos y de la realización de experimentos. Olivetti, uno de los autores, expresa la esperanza sin rodeos: «Espero que esto pueda ser uno de esos cambios radicales». Los investigadores prevén que el enfoque funcione con muchos materiales cristalinos y esperan que otros científicos lo utilicen. Los resultados presentados son del propio equipo, y no se ha fijado una fecha para una versión que otros grupos puedan usar.