مدل چندوجهی MIT به هوش مصنوعی کمک می‌کند ساختار سه‌بعدی مواد را درک کند

بیشتر مواد از آرایش سه‌بعدی بلورها ساخته شده‌اند، اما مدل‌های زبانی معمولاً با متن آموزش می‌بینند و درک ساختار اتمی برایشان دشوار است. افزون بر این، سوگیری ادبیات آزمایشگاهی به‌سوی چند دستهٔ پرطرفدار از بلورها می‌تواند پیشنهادهای هوش مصنوعی را نیز به همان مواد محدود کند.

پژوهشگران MIT برای مقابله با این محدودیت‌ها، مدلی چندوجهی ساخته‌اند که ساختارهای اتمی سه‌بعدی را با توصیف‌های زبان طبیعی پیوند می‌دهد. این مدل از مقاله‌های پژوهشی و پایگاه‌های دادهٔ محاسباتیِ مبتنی بر اصول نخستین، توصیف‌هایی فراهم می‌کند که ترکیب شیمیایی و ساختار مواد را در کنار خواص، ملاحظات فرایند تولید و کاربردهای احتمالی آن‌ها در بر می‌گیرد.

در مقاله‌ای در Nature Communications، پژوهشگران گزارش کردند که این سامانه در شناسایی طرح‌های مناسب مواد از مدل‌های آموزش‌دیده صرفاً با متن بهتر عمل کرده است؛ زیرا می‌تواند آرایش اتم‌ها و الگوهای پیوند را نیز در نظر بگیرد. برای نمونه، در جست‌وجوی مواد مناسب برای الکترولیت‌های باتری لیتیوم‌یونی حالت‌جامد، گزینه‌های برتر مدل شامل موادی بود که پژوهش‌های مستقل نیز آن‌ها را نامزدهای امیدوارکننده دانسته بودند. به‌گفتهٔ پژوهشگران، مدل همچنین بازنمایی‌های هندسی‌ای از ساختار مواد آموخت که مدل‌های صرفاً متنی قادر به یادگیری آن‌ها نبودند.