MIT-Forscher haben CrysVCD — Crystal Generator with Valence-Constrained Design — veröffentlicht, einen Rahmen, der einen Sprachmodellschritt vor der KI-Materialgenerierung hinzufügt und fundamentale Chemieregeln durchsetzt, was die Stabilitätsrate der erzeugten Materialien drastisch verbessert. Die Arbeit wurde am 26. August in Nature Computational Science veröffentlicht.
Aktuelle KI-Materialgenerierungsmodelle können pro Minute Millionen von Kandidatenstrukturen erzeugen, doch die meisten sind chemisch instabil und in der Praxis nutzlos. Das Herausfiltern instabiler Designs verbraucht derzeit etwa 90 Prozent der Rechenkosten der Materialentdeckung — ein Engpass, der kleinere Labs und Forschungsgruppen mit begrenzten Computing-Ressourcen ausschließt.
CrysVCD löst dies, indem ein Sprachmodell am Anfang der Generierungspipeline eingefügt wird, das sicherstellt, dass jedes Design Valenzschalen-Regeln erfüllt — fundamentale Beschränkungen für die Anordnung von Elektronen um Atome — bevor der teure diffusion-basierte Generierungsschritt beginnt. Die Forscher erzielten bei ihren Kristallmaterialgenerierungen eine mechanische Stabilität von fast 70 Prozent und eine Metastabilität von 85 Prozent — eine Größenordnung Verbesserung gegenüber Ansätzen mit Screening nach der Generierung.
"Wenn materialerzeugende Modelle wie DVDs sind, dann sind wir der DVD-Player", sagte außerordentlicher Professor Mingda Li. "Man kann das in jede Art von Modell einstecken, nicht nur in bestehende Diffusionsmodelle, sondern auch in zukünftige Modelle."
Das Team demonstrierte CrysVCDs praktischen Wert durch Erzeugung von Materialien mit hoher Wärmeleitfähigkeit — kritisch für die Datenkühlung, wo etwa 30 Prozent der Energie für das thermische Management aufgewendet werden — und hohen Dielektrizitätskonstanten für Halbleiter und Computerchips. Der Ansatz funktioniert am besten mit festen kristallinen Strukturen.
Die Forscher betonten, der Ansatz demokratisiere das Materialdesign: "Dies wird enorme Berechnungskosten und Zeit einsparen, indem die Anforderungen an die nachgelagerte Auswahl eliminiert werden", sagte Li. "Das wird nicht nur großen Projekten helfen, die Hunderte Millionen Materialien erzeugen, sondern auch kleineren Forschungsgruppen mit gezielten Anwendungen."
Die Arbeit wurde vom US-Energieministerium, einem Mathworks Engineering Fellowship, der National Science Foundation und dem US-Verteidigungsministerium finanziert.
