MIT-KI-Modell verbindet 3D-Kristallstrukturen mit Text, um neue Materialien zu finden

Forscher des Massachusetts Institute of Technology haben ein multimodales KI-Modell entwickelt, das die dreidimensionalen Atomstrukturen kristalliner Materialien mit natürlichsprachlichen Beschreibungen kombiniert. Die Arbeit, die in Nature Communications veröffentlicht und am 18. Oktober 2026 bekannt gegeben wurde, zeigt, dass das System bessere Materialkonzepte finden kann als Modelle, die ausschließlich mit Text trainiert wurden.

Die Herausforderung liegt vor allem bei den Daten. Die meisten festen Materialien sind Kristalle, also periodische dreidimensionale Anordnungen von Atomen, deren Strukturen in speziellen Dateiformaten gespeichert sind und nicht in Texten, aus denen große Sprachmodelle lernen. Zudem konzentriert sich die experimentelle Literatur auf wenige beliebte Kristallklassen, wodurch KI-Vorschläge tendenziell genau auf diese Materialien zulaufen.

Einem Modell beibringen, Struktur zu erkennen

Das Team erstellte umfangreiche Beschreibungen für Kristallstrukturen auf Grundlage experimenteller Veröffentlichungen und computergestützter Datenbanken, die auf First-Principles-Berechnungen beruhen. Jede Beschreibung umfasst Zusammensetzung und Struktur sowie Eigenschaften, Verarbeitungsaspekte und mögliche Anwendungen. Das Modell wurde mit kontrastivem Lernen trainiert, bei dem passende und nicht passende Paare aus Strukturen und Texten verglichen werden, um eine gemeinsame Repräsentation aufzubauen.

Als die Forscher eine Version, die mit den synthetisierten Beschreibungen trainiert wurde, mit einer Version verglichen, die nur mit Texten aus Fachartikeln trainiert wurde, lernte nur erstere, geometrische Strukturen mit Sprache abzugleichen. Auf eine allgemein verständliche Anfrage zu einer bestimmten Eigenschaft fand das Modell Kristalle mit dieser Eigenschaft erfolgreicher als ein Vergleichsmodell.

Auf die Frage nach Materialien für Festkörper-Elektrolyte in Lithium-Ionen-Batterien zählte das Modell zu seinen Top-Ergebnissen Kandidaten, die andere Arbeiten unabhängig als vielversprechend eingestuft hatten. „Struktur steht wirklich im Zentrum der Materialwissenschaft“, sagte Ju Li, Professor am Department of Materials Science and Engineering des MIT.

Ein AlphaFold für Kristalle

Li vergleicht den Ansatz mit AlphaFold, dem KI-System, das Proteinstruktur und Funktion verknüpft und die Biologie und die Wirkstoffforschung vorangebracht hat. Zu den Co-Autoren gehören der Erstautor Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu und Professorin Elsa Olivetti, die sich davon erhofft, dass die Methode einen Sprung für das Feld bedeuten könnte.

Die Forschung wurde teilweise vom U.S. Defense Threat Reduction Agency, der U.S. Defense Advanced Research Projects Agency und der National Research Foundation of Korea unterstützt. Das Team hält die Methode für auf viele kristalline Materialien anwendbar und hofft, dass andere Wissenschaftler sie übernehmen.