MIT-AI-model koppelt 3D-kristalstructuren aan tekst om nieuwe materialen te vinden

Onderzoekers van het Massachusetts Institute of Technology hebben een multimodaal AI-model ontwikkeld dat de driedimensionale atoomstructuren van kristallijne materialen combineert met beschrijvingen in natuurlijke taal. Het werk, gepubliceerd in Nature Communications en aangekondigd op 18 oktober 2026, laat zien dat het systeem betere materiaalontwerpen kan identificeren dan modellen die alleen op tekst zijn getraind.

De uitdaging zit vooral in de data. De meeste vaste materialen zijn kristallen, periodieke 3D-rangschikkingen van atomen waarvan de structuren zijn opgeslagen in gespecialiseerde bestandsformaten in plaats van in de tekst waarop grote taalmodellen leren. Daarnaast richt de experimentele literatuur zich op een handvol populaire kristalklassen, wat AI-suggesties naar diezelfde materialen duwt.

Een model leren structuur te zien

Het team genereerde uitgebreide beschrijvingen voor kristalstructuren, gebaseerd op experimentele artikelen en computationele databases op basis van eerste principes. Elke beschrijving behandelt samenstelling en structuur, evenals eigenschappen, verwerkingsaspecten en mogelijke toepassingen. Het model werd getraind met contrastief leren, waarbij overeenkomende en niet-overeenkomende paren van structuren en tekst met elkaar werden vergeleken om een gedeelde representatie op te bouwen.

Toen de onderzoekers een versie die was getraind op de gesynthetiseerde beschrijvingen vergeleken met een versie die alleen op tekst uit artikelen was getraind, leerde alleen de eerste geometrische structuren af te stemmen op taal. Op basis van een eenvoudige zoekopdracht in gewone taal die een eigenschap beschrijft, vond het model kristallen met die eigenschap succesvoller dan een referentiemodel.

Toen het model werd gevraagd om materialen die geschikt zijn voor vaste lithium-ionbatterij-elektrolyten, stonden onder de topresultaten kandidaten die andere onderzoeken onafhankelijk als veelbelovend hadden aangemerkt. "Structuur staat echt in het hart van het vakgebied materiaalkunde", zei Ju Li, hoogleraar aan het departement Materials Science and Engineering van het MIT.

Een AlphaFold voor kristallen

Li vergelijkt de aanpak met AlphaFold, het AI-systeem dat eiwitstructuur koppelt aan functie en heeft bijgedragen aan biologie en geneesmiddelenonderzoek. Medeauteurs zijn eerste auteur Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu en hoogleraar Elsa Olivetti, die zei hoopt dat de methode een grote stap voorwaarts kan betekenen voor het vakgebied.

Het onderzoek werd deels gesteund door het Amerikaanse Defense Threat Reduction Agency, het Amerikaanse Defense Advanced Research Projects Agency en de National Research Foundation of Korea. Het team gelooft dat de methode voor veel kristallijne materialen geldt en hoopt dat andere wetenschappers haar zullen overnemen.