MIT พัฒนาโมเดล AI เชื่อมโครงสร้างผลึก 3 มิติกับข้อความ เพื่อค้นหาวัสดุใหม่

นักวิจัยจากสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) พัฒนาโมเดล AI หลายรูปแบบที่รวมโครงสร้างอะตอมสามมิติของวัสดุผลึกเข้ากับคำอธิบายภาษาธรรมชาติ งานวิจัยนี้ตีพิมพ์ในวารสาร Nature Communications และประกาศเมื่อวันที่ 18 ตุลาคม 2026 โดยแสดงให้เห็นว่าระบบดังกล่าวสามารถระบุการออกแบบวัสดุที่ดีกว่าโมเดลที่ฝึกด้วยข้อความเพียงอย่างเดียว

ความท้าทายส่วนใหญ่อยู่ที่ข้อมูล วัสดุของแข็งส่วนใหญ่เป็นผลึก ซึ่งคือการจัดเรียงอะตอมเป็นระเบียบซ้ำในสามมิติ และโครงสร้างเหล่านี้ถูกเก็บในรูปแบบไฟล์เฉพาะทาง ไม่ใช่ในรูปข้อความที่โมเดลภาษาขนาดใหญ่เรียนรู้ นอกจากนี้ งานวิจัยเชิงทดลองยังมุ่งเน้นอยู่ที่ผลึกกลุ่มยอดนิยมไม่กี่กลุ่ม ซึ่งทำให้คำแนะนำจาก AI มักวนอยู่กับวัสดุเหล่านั้น

สอนให้โมเดลมองเห็นโครงสร้าง

ทีมวิจัยสร้างคำบรรยายเชิงรายละเอียดสำหรับโครงสร้างผลึก โดยอ้างอิงจากงานวิจัยเชิงทดลองและฐานข้อมูลการคำนวณจากหลักการพื้นฐาน คำบรรยายแต่ละชุดครอบคลุมองค์ประกอบ โครงสร้าง คุณสมบัติ ข้อพิจารณาด้านการผลิต และการนำไปใช้งานที่เป็นไปได้ โมเดลได้รับการฝึกด้วยการเรียนรู้แบบเปรียบเทียบ โดยเปรียบเทียบคู่โครงสร้างและข้อความที่ตรงกันและไม่ตรงกัน เพื่อสร้างการแทนค่าร่วมกัน

เมื่อนักวิจัยเปรียบเทียบโมเดลที่ฝึกด้วยคำบรรยายสังเคราะห์กับโมเดลที่ฝึกเฉพาะจากข้อความในงานวิจัย พบว่ามีเพียงโมเดลแรกเท่านั้นที่เรียนรู้การเชื่อมโยงโครงสร้างเชิงเรขาคณิตกับภาษาได้ เมื่อได้รับคำค้นด้วยภาษาธรรมดาที่อธิบายคุณสมบัติหนึ่ง โมเดลนี้สามารถดึงผลึกที่มีคุณสมบัติดังกล่าวได้สำเร็จมากกว่าโมเดลพื้นฐาน

เมื่อขอวัสดุที่เหมาะกับอิเล็กโทรไลต์ของแบตเตอรี่ลิเธียมไอออนแบบโซลิดสเตต โมเดลจัดให้ตัวเลือกบางส่วนอยู่ในผลลัพธ์อันดับต้น ๆ ซึ่งงานวิจัยอื่นก็ระบุว่ามีแนวโน้มดีไว้เช่นกันโดยอิสระ "โครงสร้างคือหัวใจสำคัญของสาขาวิทยาศาสตร์วัสดุจริง ๆ" จู ลี (Ju Li) ศาสตราจารย์จากภาควิชาวิศวกรรมวิทยาศาสตร์วัสดุและวิศวกรรมศาสตร์ของ MIT กล่าว

AlphaFold สำหรับผลึก

ลีเปรียบเทียบแนวทางนี้กับ AlphaFold ระบบ AI ที่เชื่อมโครงสร้างโปรตีนเข้ากับหน้าที่ และช่วยงานด้านชีววิทยาและการค้นพบยา ผู้เขียนร่วมประกอบด้วยผู้เขียนหลัก ยัง เจออง พาร์ค (Yang Jeong Park) มายังค์ กุมารัน (Mayank Kumaran) เจีย-เว่ย ซู (Chia-Wei Hsu) และศาสตราจารย์เอลซา โอลิเวตติ (Elsa Olivetti) ซึ่งกล่าวว่าเธอหวังว่าวิธีนี้จะเป็นก้าวกระโดดครั้งสำคัญสำหรับสาขานี้

งานวิจัยนี้ได้รับการสนับสนุนบางส่วนจากหน่วยงาน Defense Threat Reduction Agency ของสหรัฐอเมริกา หน่วยงาน Defense Advanced Research Projects Agency ของสหรัฐอเมริกา และมูลนิธิวิจัยแห่งชาติเกาหลี ทีมวิจัยเชื่อว่าวิธีการนี้สามารถนำไปใช้กับวัสดุผลึกจำนวนมาก และหวังว่านักวิทยาศาสตร์คนอื่นจะนำไปใช้ต่อ