Num mundo ideal, um cientista de materiais descreveria a propriedade de que precisa, por exemplo um eletrólito de bateria que conduza bem o lítio, e um modelo de IA sugeriria cristais adequados. Os modelos de linguagem atuais fazem isso mal, e uma equipe do MIT argumenta que o motivo são os dados. Materiais são arranjos 3D de átomos, não texto, e a literatura publicada cobre só um punhado de classes populares de cristais, então modelos treinados com artigos tendem para o que já foi estudado.
A equipe, liderada por Ju Li, com Yang Jeong Park como primeiro autor e colegas como Elsa Olivetti, construiu um modelo que liga estruturas cristalinas diretamente à linguagem. Com aprendizado contrastivo, que ensina um modelo a juntar exemplos correspondentes e separar os que não correspondem, ele alinha estruturas atômicas em 3D com descrições em texto, assim como modelos de imagem alinham fotos e legendas. O ponto central foi o texto de treino. Em vez de depender só de artigos, os pesquisadores geraram descrições de estruturas vindas da literatura e de bancos de dados computacionais de primeiros princípios, cobrindo composição, estrutura, propriedades, processamento e possíveis usos. Uma versão treinada com essas descrições sintéticas aprendeu a alinhar geometria e texto; outra, treinada só com texto de artigos, não conseguiu.
O ganho é a busca por descrição. Diante de uma pergunta em linguagem comum sobre uma propriedade, o modelo devolveu materiais cristalinos com essa propriedade e superou uma referência. Quando pedido por eletrólitos para baterias de íons de lítio de estado sólido, seus primeiros resultados incluíram materiais que outros já tinham apontado como promissores. Li compara a ambição ao AlphaFold, que ligou a estrutura das proteínas à sua função, e o trabalho foi publicado na Nature Communications.
Para pesquisadores, a ideia importa porque os cristais formam mais de 90% dos materiais sólidos da Terra, e os bancos de dados computacionais já guardam muito mais estruturas candidatas do que alguém já descreveu por escrito. Uma ferramenta que leia essas estruturas e responda perguntas em linguagem comum tornaria esse acervo mais fácil de usar, ao lado dos modelos baseados em grafos que já propõem cristais novos.
As evidências ainda são poucas para uso prático. O texto do MIT não traz números de desempenho, não nomeia a referência e não diz quantos candidatos foram verificados. Reencontrar materiais que especialistas já conheciam mostra que a busca funciona; não mostra que o modelo consegue achar materiais novos, que é o teste que importa. As descrições de treino foram, elas mesmas, geradas por IA, então erros nelas podem passar para o modelo. Testes independentes com materiais fora dos dados de treino vão dizer se este é o salto que os autores esperam.