Im Idealfall beschreibt eine Materialwissenschaftlerin die benötigte Eigenschaft, etwa einen Batterieelektrolyten, der Lithium gut leitet, und ein KI-Modell schlägt passende Kristalle vor. Heutige Sprachmodelle können das schlecht, und ein Team am MIT sieht den Grund in den Daten. Materialien sind 3D-Anordnungen von Atomen, kein Text, und die Fachliteratur deckt nur eine Handvoll beliebter Kristallklassen ab, sodass auf Aufsätzen trainierte Modelle zu bereits Erforschtem neigen.
Das Team um Ju Li, mit Erstautor Yang Jeong Park und Kollegen wie Elsa Olivetti, baute ein Modell, das Kristallstrukturen direkt mit Sprache verknüpft. Mit kontrastivem Lernen, bei dem ein Modell lernt, passende Beispiele zusammenzuführen und unpassende zu trennen, richtet es 3D-Atomstrukturen an Textbeschreibungen aus, ähnlich wie Bildmodelle Bilder an Bildunterschriften. Entscheidend war der Trainingstext. Statt sich nur auf Aufsätze zu stützen, erzeugten die Forschenden Beschreibungen für Strukturen aus der Literatur und aus Datenbanken mit First-Principles-Rechnungen, mit Angaben zu Zusammensetzung, Struktur, Eigenschaften, Verarbeitung und möglichen Anwendungen. Eine Version, die mit diesen synthetischen Beschreibungen trainiert wurde, lernte, Geometrie und Text zuzuordnen; eine, die nur Aufsatztext sah, nicht.
Der Nutzen ist die Suche per Beschreibung. Auf eine Anfrage in Alltagssprache zu einer Eigenschaft lieferte das Modell kristalline Materialien mit dieser Eigenschaft und schlug eine Vergleichsbasis. Nach Elektrolyten für Festkörper-Lithium-Ionen-Batterien gefragt, fanden sich unter seinen ersten Treffern Materialien, die andere bereits als vielversprechend eingestuft hatten. Li vergleicht den Anspruch mit AlphaFold, das Proteinstruktur und Funktion verknüpfte; die Arbeit ist in Nature Communications erschienen.
Für Forschende zählt die Idee, weil Kristalle mehr als 90% der festen Materialien auf der Erde ausmachen und Rechendatenbanken schon weit mehr Kandidatenstrukturen enthalten, als je beschrieben wurden. Ein Werkzeug, das diese Strukturen lesen und Fragen in Alltagssprache beantworten kann, würde diesen Datenbestand leichter nutzbar machen, neben graphbasierten Modellen, die bereits neue Kristalle vorschlagen.
Für den praktischen Einsatz sind die Belege bisher dünn. Der MIT-Artikel nennt keine Leistungszahlen, nicht die Vergleichsbasis und nicht, wie viele Kandidaten geprüft wurden. Materialien wiederzufinden, die Fachleute schon kannten, zeigt, dass die Suche funktioniert; es zeigt nicht, dass das Modell neue finden kann, und das ist der entscheidende Test. Die Trainingsbeschreibungen sind selbst KI-erzeugt, Fehler darin könnten also ins Modell gelangen. Unabhängige Tests an Materialien außerhalb der Trainingsdaten werden zeigen, ob dies der Sprung ist, den die Autoren erhoffen.