Wie een nieuw materiaal zoekt voor bijvoorbeeld een betere batterij, zou dat het liefst gewoon aan een AI-model vragen. Dat werkt nu nog slecht. Onderzoekers van het Massachusetts Institute of Technology (MIT) presenteren in het vakblad Nature Communications een model dat daar verandering in moet brengen.

Het probleem: taalmodellen kennen alleen tekst

De meeste vaste stoffen bestaan uit kristallen: atomen die in een vast, zich herhalend 3D-patroon liggen. Die structuren worden opgeslagen in speciale bestandsformaten en databases, niet in de lopende tekst waarop gewone taalmodellen zijn getraind. Daar komt bij dat wetenschappelijke artikelen vooral over een handvol populaire soorten kristallen gaan. Een model dat alleen op die teksten leert, krijgt daardoor een scheef beeld en heeft geen gevoel voor de ruimtelijke vorm van een materiaal.

De oplossing: beeld en taal aan elkaar koppelen

Het team rond hoogleraar Ju Li bouwde daarom een zogeheten vision-language-model voor kristallen. Dat combineert de 3D-structuur van een kristal met een beschrijving in natuurlijke taal. Die beschrijvingen schreven de onderzoekers niet met de hand: ze lieten ze genereren uit onderzoeksartikelen en uit rekendatabases. Zo'n beschrijving gaat niet alleen over de chemische samenstelling en de opbouw, maar ook over eigenschappen, hoe je het materiaal maakt en waarvoor het bruikbaar kan zijn.

Bij de training gebruikten ze contrastief leren. Het model krijgt daarbij steeds paren te zien van structuren en teksten die wel of juist niet bij elkaar horen, en leert zo beide aan elkaar te koppelen.

Wat het oplevert

  • Een versie die op de gegenereerde beschrijvingen was getraind, leerde de 3D-vormen wel aan tekst te koppelen. Een versie die alleen tekst uit artikelen kreeg, lukte dat niet.
  • Je kunt het model in gewone taal vragen naar materialen met een bepaalde eigenschap. Volgens de onderzoekers presteert het daarbij beter dan een vergelijkingsmodel.
  • Gevraagd naar geschikte materialen voor de vaste elektrolyt in lithium-ionbatterijen, kwamen er bovenaan kandidaten uit die andere onderzoekers eerder al los daarvan als veelbelovend hadden aangemerkt.

Wat betekent dit?

Het gaat om onderzoek, niet om een product dat je zelf kunt gebruiken. Li vergelijkt de aanpak met AlphaFold, het AI-model dat de structuur van eiwitten koppelt aan hun functie en daarmee biologisch onderzoek flink versnelde. Of het kristalmodel een vergelijkbare impact krijgt, moet nog blijken. Mede-auteur Elsa Olivetti hoopt dat het een van de sprongen wordt die het vakgebied verder helpen.

Lukt dat, dan kan het zoeken naar nieuwe materialen voor batterijen, chips of andere technologie sneller gaan. De onderzoekers willen dat andere materiaalwetenschappers met hun aanpak aan de slag gaan. Het werk is onder meer gefinancierd door Amerikaanse defensieonderzoeksinstanties en de nationale onderzoeksstichting van Zuid-Korea.