Исследователи из Принстонского университета создали инструмент на базе искусственного интеллекта (ИИ), который способен предсказывать поведение кристаллических материалов. Открытие имеет большое значение для развития технологий, включая батареи и полупроводники. Новый метод использует большую языковую модель, аналогичную тем, которые применяются в генераторах текста, например, ChatGPT.
Отличительная особенность данного подхода заключается в синтезировании информации из текстовых описаний, которые содержат детали о длине и углах связей между атомами, а также измерения электронных и оптических свойств. Таким образом, метод может предсказывать свойства новых материалов более точно и всесторонне, чем существующие симуляции, и потенциально ускорить процесс проектирования и тестирования новых технологий.
Для обучения адаптированной версии модели T5, изначально созданной Google, исследователи разработали эталонный текст, содержащий описания более чем 140 000 кристаллов из базы данных Materials Project. Эффективность инструмента была проверена на примере предсказания свойств уже изученных кристаллических структур, от обычной поваренной соли до кремниевых полупроводников. Теперь, после демонстрации предсказательной силы T5, исследователи работают над применением инструмента для проектирования новых кристаллических материалов.
Метод был представлен 29 ноября на осеннем собрании Общества исследования материалов ( Materials Research Society ) в Бостоне. По словам авторов работы, разработанный способ представляет собой новый эталон, который может ускорить открытие материалов для широкого спектра применений.
Ранее существовавшие инструменты ИИ для предсказания свойств кристаллов основывались на так называемых графовых нейронных сетях, однако они обладают ограниченной вычислительной мощностью и не могут адекватно улавливать нюансы геометрии и длины связей между атомами в кристалле. Команда ученых Принстонского университета стала первой, кто решил эту проблему с помощью больших языковых моделей.
Однако, как новый инструмент, метод предсказания имеет свои ограничения. Он требует больше вычислительной мощности и работает медленнее, чем графовые нейронные сети, обычно используемые в этих целях. Специалисты стремятся к сотрудничеству с другими исследователями материалов и планируют расширить свою работу за пределы кристаллов, охватывая более широкий спектр материалов, чтобы улучшить способность предсказывать свойства новых материалов