در اصل، هوش مصنوعی می‌تواند یافتن ماده مناسب برای یک کاربرد را به آسانی سفارش شام کند: دانشمندان آنچه می‌خواهند را به یک مدل زبانی بزرگ می‌گویند و آن مدل، ماده ایده‌آل برای آن کار را به آن‌ها ارائه می‌دهد.

متاسفانه، این رویکرد هنوز به خوبی کار نمی‌کند و مشکل به داده‌ها برمی‌گردد: بیشتر مواد از آرایش‌های کریستالی سه بعدی تشکیل شده‌اند، نه جریان‌های متنی که مدل‌های زبانی بزرگ امروزی با آن‌ها آموزش داده شده‌اند. ادبیات تجربی نیز به شدت به سمت چند کلاس محبوب از کریستال‌ها متمایل است، که باعث می‌شود خروجی‌های هوش مصنوعی به سمت این مواد منحرف شود.

اکنون محققان MIT یک مدل هوش مصنوعی چندوجهی ایجاد کرده‌اند که به این مشکلات می‌پردازد. این مدل ساختارهای اتمی سه بعدی را با توضیحات زبان طبیعی ترکیب می‌کند تا توضیحات زبانی غنی در مورد ساختارها از مقالات تحقیقاتی تجربی و پایگاه‌های داده محاسباتی اصول اولیه ایجاد کند. این توصیف یکپارچه نه تنها ترکیب شیمیایی و ساختار، بلکه خواص، ملاحظات پردازش و کاربردهای بالقوه را نیز شرح می‌دهد و به هوش مصنوعی کمک می‌کند تا در مورد آنچه مواد را تاثیرگذار می‌کند، بیشتر بیاموزد.

در یک مقاله جدید در Nature Communications، محققان نشان دادند که سیستم آن‌ها می‌تواند طرح‌های مواد بهتری نسبت به مدل‌هایی که فقط با جریان‌های متنی آموزش داده شده‌اند، شناسایی کند، با اجازه دادن به مدل برای "دیدن" آرایش‌های اتمی و الگوهای پیوند. به عنوان مثال، هنگامی که محققان از مدل خواستند مواد مناسب برای الکترولیت‌های لیتیوم یونی حالت جامد را شناسایی کند، نتایج برتر آن...