MIT leert AI de bouw van kristallen te zien, en dat helpt bij het zoeken naar nieuwe materialen
Taalmodellen weten veel over materialen, maar kunnen de opbouw van een kristal niet 'zien'. Onderzoekers van MIT koppelden 3D-structuren aan beschrijvingen in gewone taal. Hun model vindt daardoor betere kandidaten, bijvoorbeeld voor accu's.
Bijna alles wat vast is, van zout en metaal tot de stenen onder onze voeten, bestaat uit kristallen. Volgens MIT gaat het om meer dan 90 procent van alle vaste stoffen op aarde. In een kristal liggen de atomen in een vast, herhalend patroon, zoals de dozen in een netjes gestapelde pallet. Dat patroon bepaalt voor een groot deel hoe sterk, geleidend of bruikbaar een materiaal is.
Wie een nieuw materiaal zoekt, bijvoorbeeld voor een betere accu, wil daarom weten welke opbouw bij welke eigenschap hoort. AI kan bij dat zoekwerk helpen. Maar er is een probleem: grote taalmodellen, zoals de modellen achter AI-chatbots, leren vooral van tekst. De opbouw van kristallen wordt juist opgeslagen in speciale computerbestanden vol coördinaten, die zulke modellen nauwelijks begrijpen.
Onderzoekers van het Massachusetts Institute of Technology (MIT) hebben daar nu een oplossing voor gevonden. Ze beschreven hun werk in het vaktijdschrift Nature Communications. Het team staat onder leiding van de hoogleraren Ju Li en Elsa Olivetti van de afdeling materiaalkunde. Eerste auteur is Yang Jeong Park, voorheen onderzoeker bij MIT.
Kristallen met een verhaal
Het idee: geef het model bij elk kristal zowel de 3D-opbouw als een beschrijving in gewone taal. Die beschrijvingen schreven de onderzoekers niet met de hand. Ze lieten ze maken op basis van grote databanken met berekende en gemeten kristallen. Elke beschrijving vertelt een klein verhaal over het materiaal: waaruit het bestaat, hoe de atomen liggen, welke eigenschappen het heeft, hoe je het maakt en waarvoor het bruikbaar kan zijn.
Waarom niet gewoon teksten uit wetenschappelijke artikelen? Die gaan vooral over een paar populaire soorten kristallen. Een model dat alleen daarvan leert, krijgt een scheef beeld van de materialenwereld. De gemaakte beschrijvingen dekken juist een veel bredere groep kristallen.
Structuur en taal aan elkaar koppelen
Het model leert met een methode die contrastief leren heet. Het krijgt steeds paren te zien: een kristal met de juiste beschrijving, en een kristal met een verkeerde. Zo leert het welke opbouw bij welke woorden hoort. Vergelijk het met een makelaar die steeds een plattegrond krijgt met een woningbeschrijving erbij, soms de goede en soms een verkeerde. Na duizenden keren ziet die makelaar aan een plattegrond alleen al of een huis ruim en licht is.
De onderzoekers vergeleken twee versies. De ene leerde van de gemaakte beschrijvingen, de andere alleen van teksten uit wetenschappelijke artikelen. Alleen de eerste versie leerde de vorm van een kristal echt te verbinden met de woorden die het beschrijven.
Betere kandidaten voor accu's
Daarna testte het team of het model ook kan zoeken. Je stelt een vraag in gewone taal over een eigenschap, en het model wijst kristallen aan die daarbij passen. Daarin deed het het beter dan een vergelijkbaar model zonder deze aanpak, en het vond betere materiaalontwerpen dan modellen die alleen tekst kennen.
Een voorbeeld zijn vaste elektrolyten voor lithium-ionaccu's. De elektrolyt is het deel van een accu waar de geladen deeltjes doorheen reizen. Een vaste in plaats van een vloeibare elektrolyt kan accu's veiliger maken. Bij de beste kandidaten die het model voorstelde, zaten materialen die andere onderzoekers los daarvan ook al veelbelovend vonden. Dat is een goed teken dat het model zinnige keuzes maakt.
Eerder schreven we over Japanse onderzoekers die een AI-model ook naar de elektronen in een kristal lieten kijken. Beide teams zoeken naar manieren om AI meer natuurkundig inzicht te geven, zodat het meer leert van dezelfde gegevens.
Wat er nu komt
Li vergelijkt het werk met AlphaFold, het AI-systeem dat de vorm van eiwitten koppelde aan hun werking. Volgens hem kun je veel over een materiaal afleiden zodra je de opbouw kent. Olivetti spreekt van een mogelijke grote stap vooruit, omdat het model de 3D-structuur verbindt met eigenschappen en productie.
De aanpak werkt voor kristallen. Materialen met veel onregelmatigheden vallen er nu nog buiten. De onderzoekers hopen dat andere materiaalkundigen hun methode gaan gebruiken om sneller te werken. De volgende stap is dat zulke modellen niet alleen materialen aanwijzen, maar ook op verzoek nieuwe ontwerpen voorstellen.
Wat betekent dit voor de weg naar de singulariteit?
Taalmodellen hebben veel kennis uit alle vakgebieden tegelijk, maar zagen tot nu toe de fysieke wereld vooral via tekst. Dit onderzoek geeft ze een nieuw zintuig: ze leren de bouw van materie zelf te lezen. Dat is precies wat nodig is om AI van een goede lezer tot een echte ontdekker te maken.
Het mooie is de combinatie. Een model dat zowel de opbouw van een kristal begrijpt als de taal van biologen, chemici en ingenieurs, kan verbanden leggen die een specialist uit één vakgebied mist. Denk aan een materiaal uit de chiptechniek dat ook een accu beter maakt. Betere accu's, chips en zonnecellen zijn op hun beurt weer de bouwstenen van snellere computers en dus van betere AI. Zo versterkt de vooruitgang zichzelf.
