Inteligența artificială descoperă materiale noi analizând cristalele în 3D

Imaginează-ți că ai putea descrie în câteva cuvinte materialul de care ai nevoie pentru o baterie mai performantă, un cip electronic mai eficient sau un sistem de stocare a energiei mai sigur, iar un program informatic ți-ar indica structurile atomice cu cele mai mari șanse să îndeplinească aceste cerințe. Ceea ce pare încă desprins din viitor ar putea deveni mai accesibil datorită unei noi abordări dezvoltate de cercetătorii de la Massachusetts Institute of Technology (MIT).

Într-un studiu prezentat de publicația MIT News la 18 octombrie 2026, oamenii de știință descriu un model de inteligență artificială capabil să conecteze reprezentările tridimensionale ale cristalelor cu informațiile despre compoziția, proprietățile și posibilele utilizări ale acestora. Rezultatele studiului au fost publicate în revista Nature Communications, în lucrarea intitulată „Scaling multimodal materials representation learning with synthetic narratives”.

Importanța acestei descoperiri depășește simpla îmbunătățire a unui algoritm. Ea vizează una dintre problemele fundamentale ale inteligenței artificiale aplicate în știință: cum poate un sistem antrenat în principal cu texte să înțeleagă proprietățile unei lumi în care geometria, legăturile atomice și organizarea spațială sunt esențiale?

De ce nu este suficient ca AI să citească articole științifice

Modelele lingvistice moderne pot extrage informații din milioane de pagini, pot compara rezultate experimentale și pot formula ipoteze. Totuși, în domeniul științei materialelor, cunoașterea descrierilor scrise nu este întotdeauna suficientă.

Proprietățile unui material depind nu doar de elementele chimice din care este alcătuit, ci și de modul în care atomii sunt aranjați în spațiu, de legăturile dintre ei și de organizarea structurii cristaline. Două materiale cu compoziții apropiate pot avea proprietăți diferite dacă atomii lor sunt organizați diferit.

Cristalele sunt solide în care atomii, ionii sau moleculele sunt aranjate într-o structură ordonată, care se repetă periodic. De la numeroase metale și minerale până la semiconductori și materiale ceramice, structurile cristaline stau la baza unei mari părți a tehnologiilor moderne. Potrivit MIT, materialele cristaline reprezintă peste 90% dintre materialele solide de pe Pământ.

Problema este că modelele lingvistice tradiționale învață în principal din texte, în timp ce numeroase structuri cristaline sunt păstrate în baze de date computaționale. Aceste baze conțin informații despre aranjamentul atomilor care nu pot fi recuperate complet din simpla lectură a unui articol.

În plus, literatura științifică acordă o atenție disproporționată anumitor categorii de cristale deja studiate intens. Un model care învață exclusiv din aceste publicații riscă să favorizeze materialele cunoscute și să treacă cu vederea structuri mai puțin explorate.

Noua abordare urmărește să depășească aceste limite, oferind inteligenței artificiale o reprezentare mai bogată a realității fizice.

Cum învață noul model să interpreteze structurile cristaline în 3D

Echipa de cercetare a dezvoltat un model multimodal, adică un sistem capabil să coreleze tipuri diferite de informații. În acest caz, modelul conectează geometria tridimensională a unei structuri cristaline cu descrieri formulate în limbaj natural.

Pentru a face acest lucru, cercetătorii au utilizat o tehnică de învățare automată numită contrastive learning, sau învățare contrastivă. Pe scurt, sistemul învață comparând exemple care se potrivesc între ele cu exemple care nu corespund.

De exemplu, modelul poate analiza o structură atomică și o descriere care îi prezintă compoziția, proprietățile și comportamentul potențial. Prin compararea multor astfel de perechi, învață să asocieze geometria cristalului cu informațiile exprimate în cuvinte.

O componentă importantă a metodei este folosirea unor descrieri sintetice generate de inteligența artificială. Acestea integrează informații din lucrări experimentale și din baze de date computaționale bazate pe calcule de la primele principii. Scopul este de a construi descrieri care să surprindă nu numai ce elemente conține un material, ci și cum este organizat, cum ar putea fi procesat și în ce aplicații ar putea fi utilizat.

Cercetătorii au comparat apoi un model antrenat cu acest tip de descrieri cu unul care utiliza numai texte provenite din lucrări științifice. Primul a reușit să coreleze mai bine structurile geometrice cu descrierile lor, în timp ce modelul bazat exclusiv pe texte nu a obținut aceeași capacitate.

Această diferență este esențială: sistemul nu mai caută doar asemănări între cuvinte, ci învață să conecteze organizarea atomilor cu funcția pe care materialul ar putea să o îndeplinească.

Baterii mai performante, printre primele aplicații promițătoare

Unul dintre testele realizate de echipa de cercetători a vizat identificarea materialelor cristaline potrivite pentru electroliții bateriilor litiu-ion cu stare solidă.

În bateriile convenționale litiu-ion, electrolitul este, de regulă, un lichid care permite deplasarea ionilor între electrozi. Bateriile cu stare solidă urmăresc să înlocuiască acest electrolit cu un material solid, ceea ce ar putea contribui la îmbunătățirea siguranței și la dezvoltarea unor arhitecturi de baterii cu performanțe superioare.

Alegerea electrolitului este însă dificilă. Materialul trebuie să permită transportul eficient al ionilor de litiu și să prezinte proprietăți chimice, mecanice și electrochimice adecvate. Nu orice structură cristalină este potrivită pentru acest rol.

Când cercetătorii i-au cerut modelului să identifice materiale pentru această aplicație, printre rezultatele aflate în fruntea listei s-au numărat candidați care fuseseră identificați independent în alte cercetări drept promițători. Acest rezultat sugerează că modelul poate recupera informații utile despre relația dintre structura atomică și funcția unui material, inclusiv atunci când cerințele sunt exprimate printr-o întrebare în limbaj natural.

Trebuie făcută însă o distincție importantă: identificarea unor candidați promițători nu înseamnă că aceștia sunt deja materiale validate pentru utilizare industrială. Proprietățile lor trebuie evaluate prin simulări suplimentare, experimente și teste de durabilitate.

De la căutarea materialelor la proiectarea tehnologiilor viitorului

Posibilele aplicații ale metodei nu se limitează la baterii. Dacă poate fi extinsă la categorii variate de structuri cristaline, abordarea ar putea sprijini cercetarea semiconductorilor, a materialelor pentru conversia energiei, a catalizatorilor și a altor materiale funcționale.

În prezent, identificarea unui material potrivit presupune adesea o combinație de intuiție științifică, simulări computerizate, experimente și verificări repetate. Spațiul posibilităților este enorm: chiar și pentru o compoziție chimică dată pot exista mai multe configurații structurale, cu proprietăți distincte.

Inteligența artificială ar putea reduce timpul necesar explorării acestui spațiu, prioritizând candidații care merită investigați. În loc să testeze toate variantele posibile, cercetătorii ar putea concentra resursele asupra celor care îndeplinesc cel mai bine criteriile urmărite.

Ju Li, profesor la MIT și unul dintre autorii studiu, compară această direcție cu rolul pe care AlphaFold l-a avut în biologie. AlphaFold a contribuit la predicția structurilor proteinelor și la înțelegerea relației dintre structura lor și funcție. În mod asemănător, noul model urmărește să conecteze structura cristalină cu proprietățile și utilizările materialelor.

Analogia nu înseamnă că cele două sisteme rezolvă aceeași problemă. Proteinele și cristalele sunt sisteme fizice diferite, iar predicția structurii nu este identică cu descoperirea unui material stabil, fabricabil și performant. Ideea comună este însă puternică: atunci când inteligența artificială învață să reprezinte structura unui sistem, poate deveni mai utilă pentru anticiparea funcției sale.

Ce limite mai trebuie depășite

Deși rezultatele sunt încurajatoare, noua tehnologie se află în etapa cercetării și dezvoltării. Capacitatea de a identifica materiale promițătoare trebuie evaluată în continuare pentru alte aplicații și pentru clase de cristale care nu au fost reprezentate suficient în datele de antrenare.

Mai mult, o structură care pare potrivită într-o bază de date nu este neapărat stabilă în condiții reale. Un material poate fi dificil de sintetizat, poate reacționa cu alte componente sau își poate pierde proprietățile în timpul utilizării. De aceea, predicțiile algoritmului trebuie integrate cu metodele consacrate ale chimiei, fizicii și ingineriei materialelor.

Contează și calitatea datelor. Descrierile generate automat pot ajuta la organizarea informațiilor, dar nu înlocuiesc verificarea științifică a acestora. Pentru ca sistemul să devină un instrument de încredere, rezultatele sale trebuie confruntate cu dovezi experimentale și cu metode independente de evaluare.

Miza este, așadar, mai mare decât dezvoltarea unui chatbot specializat. Cercetătorii încearcă să construiască o inteligență artificială care să poată folosi informația structurală despre lumea fizică, nu doar descrierile scrise ale acesteia.