麻省理工学院AI模型将晶体三维结构与文本相关联，助力新材料发现

麻省理工学院的研究人员开发出一种多模态AI模型，能够将晶体材料的三维原子结构与自然语言描述结合起来。该成果发表于《自然·通讯》（Nature Communications），并于2026年10月18日公布。研究显示，与仅基于文本训练的模型相比，该系统能够找出更优的材料设计方案。

这一挑战主要源于数据问题。大多数固体材料都是晶体，即原子呈周期性三维排列，其结构保存在专门的文件格式中，而非大语言模型所学习的文本。此外，现有实验文献主要集中于少数常见的晶体类别，这使得AI的推荐也倾向于这些相同的材料。

教会模型“看见”结构

研究团队基于实验论文和第一性原理计算数据库，为晶体结构生成了内容丰富的文字描述。每段描述不仅涵盖成分和结构，还包括性能、加工注意事项以及可能的应用场景。该模型采用对比学习进行训练，通过比较匹配与不匹配的结构-文本对，构建共享的表示空间。

研究人员比较了两个版本：一个基于合成描述训练，另一个仅基于论文文本训练。结果显示，只有前者能够学会将几何结构与语言对齐。当用户以通俗语言描述某种性能进行查询时，该模型检索到具有该性能晶体的成功率高于基线模型。

当被要求推荐适用于固态锂离子电池电解质的材料时，该模型的排名靠前结果中包含了其他研究已独立认定为有前景的候选材料。麻省理工学院材料科学与工程系教授李巨表示：“结构确实是材料科学领域的核心。”

晶体领域的“AlphaFold”

李巨将这一方法比作AlphaFold。AlphaFold是一种将蛋白质结构与功能联系起来的AI系统，已在生物学和药物研发中发挥作用。论文的合著者包括第一作者朴良正（Yang Jeong Park）、Mayank Kumaran、许家伟（Chia-Wei Hsu）以及教授Elsa Olivetti，后者表示希望这一方法能为该领域带来阶跃式的进步。

该研究部分得到了美国国防威胁削减局、美国国防高级研究计划局以及韩国国家研究基金会的资助。研究团队认为，该方法适用于众多晶体材料，并希望其他科学家能够采用这一方法。