研究人员利用大型语言模型来加速材料发现

普林斯顿大学的研究人员创建了一种人工智能(AI)工具来预测晶体材料的行为，这是推进电池和半导体等技术的关键一步。尽管计算机模拟通常用于晶体设计，但新方法依赖于大型语言模型，类似于 ChatGPT 等文本生成器的模型。

通过综合文本描述中的信息(包括原子间键的长度和角度以及电子和光学特性的测量等细节)，新方法可以比现有模拟更准确、更彻底地预测新材料的特性，并有可能加快这一过程。设计和测试新技术。

研究人员开发了一个文本基准，其中包含来自材料项目的 140,000 多个晶体的描述，然后用它来训练一个名为 T5 的大型语言模型的改编版本，该模型最初由 Google Research 创建。他们测试了该工具预测先前研究的晶体结构(从普通食盐到硅半导体)特性的能力。现在他们已经展示了其预测能力，他们正在努力将该工具应用于新晶体材料的设计。

该方法于 11 月 29 日在波士顿举行的材料研究学会秋季会议上提出，它代表了一个新的基准，可以帮助加速材料发现的广泛应用，高级研究作者、计算机科学助理教授 Adji Bousso Dieng 表示。普林斯顿。

概述该方法的论文“LLM-Prop：根据文本描述预测晶体固体的物理和电子特性”现已发布到arXiv预印本服务器。

现有的基于人工智能的晶体特性预测工具依赖于图形神经网络的方法，但这些方法的计算能力有限，无法充分捕捉晶体中原子之间的几何形状和键长的细微差别，以及电子和光学特性这些结构的结果。她说，迪昂的团队是第一个使用大型语言模型来解决这个问题的团队。

“我们在计算机视觉和自然语言方面取得了巨大进步，”迪昂说，“但在处理[人工智能]图形方面，我们还不是很先进。所以，我想从图形转向实际翻译它“我们已经拥有强大工具的领域。如果我们有文本，那么我们可以在该文本上利用所有这些强大的[大型语言模型]。”

该研究的合著者、普林斯顿大学机械与航空航天工程教授兼负责创新的副院长克雷格·阿诺德(Craig Arnold)表示，基于语言模型的方法“为我们提供了一种全新的方式来看待材料设计问题”。“这实际上是关于，我如何获取人类已经开发的所有这些知识，以及如何处理这些知识以向前发展?它与我们当前的方法有本质上的不同，我认为这赋予了它很大的力量。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！