普林斯顿大学的研究人员创造了一种人工智能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，类似于为ChatGPT等文本生成器提供动力的模型。
通过综合文本描述中的信息，包括原子之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，并有可能加快设计和测试新技术的过程。
研究人员开发了一个文本基准测试，其中包含来自材料项目的140000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，该模型最初由谷歌研究院创建。他们测试了该工具预测先前研究的晶体结构特性的能力，从普通食盐到硅半导体。现在他们已经展示了它的预测能力，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，代表了一个新的基准，可以帮助加速材料的广泛应用发现，据普林斯顿大学计算机科学助理教授Adji Bousso Dieng称。
概述该方法的论文“LLM-Prop：从文本描述中预测晶体固体的物理和电子特性”现已发布到arXiv预印本服务器上。
现有的基于人工智能的晶体特性预测工具依赖于称为图神经网络的方法，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几何形状和键长的细微差别，以及这些结构产生的电子和光学特性。她说，Dieng的团队是第一个使用大型语言模型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的进步，”Dieng说，“但在处理图形方面，我们还不是很先进。所以，我想从图表转移到实际转换到我们已经拥有出色工具的领域。如果我们有文本，那么我们可以在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、普林斯顿大学苏珊·多德·布朗机械与航空航天工程教授、创新副院长克雷格·阿诺德说，基于语言模型的方法“为我们提供了一种全新的方法来看待设计材料的问题”。“这实际上是关于，我如何获得人类已经发展的所有知识，以及我如何处理这些知识以向前迈进?它与我们目前的方法不同，我认为这就是赋予它很大力量的原因。
