O modelo de IA transforma o design do materials prevendo e explicando a sintetizabilidade

Uma equipe de pesquisa desenvolveu com sucesso uma tecnologia que utiliza grandes modelos de idiomas (LLMs) para prever a sintetizabilidade de novos materiais e interpretar a base para tais previsões. A equipe foi liderada pelo professor da Universidade Nacional de Seul, Yousung Jung e conduzido em colaboração com a Fordham College, nos Estados Unidos.

Espera-se que os resultados desta pesquisa contribuam para o novo processo de design de materiais, filtrando os candidatos a materiais com baixa sintetizabilidade antecipadamente ou otimizando os materiais anteriormente desafiadores para síntese em formas mais viáveis.

O estudo, com o pesquisador de pós -doutorado Seongmin Kim como o primeiro autor, foi publicado em dois periódicos químicos: o Jornal da American Chemical Society em 11 de julho de 2024 e Edição Internacional de Angewandte Chemie em 13 de fevereiro de 2025.

Avaliar com precisão a viabilidade de sintetizar um materials é essential ao desenvolver novos materiais. Se o design do materials não explicar adequadamente a sintetizabilidade, pode levar a experimentos desnecessários sobre estruturas hipotéticas não verificadas, resultando em uso ineficiente de recursos e tempo de pesquisa. Isso ressalta a necessidade de técnicas precisas de previsão de sintetizabilidade.

No entanto, os métodos de previsão existentes foram limitados a avaliar a estabilidade termodinâmica dos materiais, levando a baixa precisão e discrepâncias significativas entre previsões e taxas reais de sucesso da síntese experimental. Enquanto aprendizado de máquina Os modelos foram desenvolvidos para resolver esse problema, eles se concentraram principalmente na classificação sem explicar a lógica por trás de suas previsões, sem explicar e confiabilidade.

Para superar esses desafios, a equipe de pesquisa do professor Jung descobriu que os LLMs não apenas podiam prever com precisão a sintetizabilidade de polimorfos de cristal inorgânicos, mas também garantir a explicação.

A equipe de pesquisa primeiro ajustou um LLM de uso geral usando conjuntos de dados de materiais de cristal inorgânicos em um formato baseado em texto. O modelo foi então treinado para classificar a sintetizabilidade de materiais hipotéticos específicos, prever compostos precursores necessários para a síntese e identificar e interpretar fatores -chave que influenciam a sintetizabilidade. Como resultado, o LLM alcançou um nível mais alto de precisão preditiva do que os modelos de aprendizado de máquina sob medida existentes.

Além disso, a equipe descobriu que os LLMs poderiam ir além de meras previsões e fornecer explicações interpretáveis ​​sobre por que um materials em specific é sintetizável. Esse avanço abre a porta para analisar por que certas estruturas cristalinas hipotéticas são difíceis de sintetizar e identificar fatores que dificultam a sintetizabilidade. Além disso, o estudo descobriu com sucesso correlações e fatores complexos anteriormente desconhecidos que influenciam a viabilidade da síntese materials.

Espera -se que essa tecnologia inovadora para previsão e explicação de sintetizabilidade contribua significativamente para a indústria de materiais avançados domésticos, além de melhorar a competitividade dos setores de semicondutores e bateria secundário. Os novos métodos tradicionais de descoberta de materiais envolvem inúmeras experiências de tentativa e erro, mas a tecnologia preditiva baseada em LLM pode acelerar o design de materiais e reduzir o tempo de desenvolvimento.

Além disso, uma vez que este trabalho pode ser aplicado ao design dispositivos semicondutores e materiais de bateria de alta eficiência, prevê-se que ajude a manter a liderança tecnológica da Coréia em materiais avançados e garantir uma vantagem precoce do mercado. Se comercializado, este trabalho pode servir como uma ferramenta crítica para institutos e empresas de pesquisa identificar rapidamente novos materiais e avaliar sua viabilidade para a produção em massa.

O professor Yousung Jung declarou: “Este estudo é significativo, pois demonstra que os LLMs podem não apenas prever a sintetizabilidade de novos materiais com precisão, mas também interpretar o raciocínio por trás dessas previsões e revelar princípios químicos subjacentes.

“À medida que as tecnologias baseadas em LLM continuam a evoluir, espera-se que elas forneçam direções mais eficientes e intuitivas para o novo design de materiais”.

O pesquisador de pós-doutorado Kim, do Instituto de Processos Químicos da Universidade Nacional de Seul, planeja realizar pesquisas de acompanhamento que integra aprendizado de máquina e ciência dos materiais para explorar mudanças de paradigma no novo desenvolvimento de materiais.