MIT開發多模態AI模型 按性質搜索晶體材料
為特定用途找出合適材料，理想狀態是科學家向大型語言模型講出需求，模型就能提供答案。問題在於數據：大部分材料由三維晶體結構組成，並非語言模型訓練時所用的文字流，實驗文獻亦偏向少數熱門晶體類別，令 AI 輸出偏向該類材料。MIT 研究團隊針對這兩個問題開發出一個多模態 AI 模型，將三維原子結構與自然語言描述結合，讓模型「看懂」晶體的原子排列及鍵結模式，再按性質搜索合適材料。論文已發表於《自然通訊》（Nature Communications）。
- 模型以對比學習（contrastive learning）訓練，結合三維原子結構與自然語言描述
- 訓練資料來自實驗研究論文及第一性原理計算資料庫
- 以固態鋰離子電池電解質查詢測試，前列結果包括獨立研究認定的候選材料
- 晶體材料佔地球上固體材料 90% 以上
為何語言模型看不懂材料
晶體材料具有高度有序的原子結構，佔地球上固體材料 90% 以上。過去十年 AI 大幅改變材料科學，大部分模型將固態晶體材料當成三維圖形處理，提出及設計新的晶體結構。大型語言模型興起帶來另一種工具，但現有語言模型主要依賴已出版論文及書籍的文字，對物理世界的認識有限，因為許多潛在晶體結構只存在於計算資料庫之中；文字模型亦缺乏對視覺幾何的理解。
合成敘述資料訓練
MIT 團隊以對比學習訓練語言模型為晶體結構生成文字描述，模型比較相似與不相似的結構及文字描述例子，得出統一理解，做法類似將大腦的視覺與語言區域對齊。訓練用的描述來自實驗研究論文及第一性原理計算資料庫，內容不止化學組成及結構，還包括性質、加工考量及潛在應用。
研究人員比較兩個版本的模型，一個以含 AI 生成描述的資料集訓練，另一個只以論文文字訓練，發現前者成功學會將幾何結構與文字描述對齊，後者則做不到。
由性質反查材料
團隊其後展示，模型可以接收一句描述性質的自然語言查詢，找出具備該性質的晶體材料，表現勝過基準。其中一項測試要求模型找出適合作為固態鋰離子電池電解質的材料，其前列結果包括獨立研究已認定為有潛力的候選材料。研究亦顯示，模型學會了純文字模型無法做到的結構幾何表達。
論文第一作者為前 MIT 博士後研究員 Yang Jeong Park，團隊成員包括伊利諾伊大學厄巴納香檳分校電腦工程畢業生 Mayank Kumaran、Chia-Wei Hsu（SM ’26），以及 MIT 材料科學與工程學系 Jerry McAfee (1940) 工程學教授 Elsa Olivetti。參與研究的 Ju Li 為 MIT 電力工程 Carl Richard Soderberg 教授，橫跨材料科學與工程系及核子科學與工程系。他表示，結構是材料科學領域的核心，理解結構就可以對材料的性質及表現作出不少推斷，團隊正是想為模型建立材料原子結構與其性質及加工之間的連繫。
Ju Li 將這個模型比作連繫蛋白質結構與功能的 AlphaFold，期望其他材料科學家利用它加速研究。他補充，能夠看見三維晶體及原子之間的連接方式是非常基礎的能力，對所有從事材料科學的人都有用。研究獲美國國防威脅降低局（透過大學研究聯盟）、美國國防高級研究計劃局（DARPA）及韓國國家研究基金會資助。
資料來源：MIT News
期刊參考： Nature Communications，www.nature.com/articles/s41467-026-76378-7
圖片由AI生成，只供參考。
(開版為AI生成配圖，只供參考會意)
