Um grande modelo de linguagem multimodal para ciência dos materiais

Por que novos materiais importam no dia a dia

De baterias de celular melhores a painéis solares mais eficientes e computadores mais rápidos, muitas das tecnologias do amanhã dependem da descoberta e do aperfeiçoamento de novos materiais. Ainda assim, descobrir quais combinações de átomos proporcionarão as propriedades desejadas é como procurar agulhas em um palheiro de proporções cósmicas. Este artigo apresenta o MatterChat, um sistema de inteligência artificial projetado para conversar com cientistas em linguagem cotidiana enquanto também “vê” a estrutura atômica detalhada dos materiais, ajudando a prever como eles se comportam e como podem ser sintetizados em laboratório.

Um assistente digital que vê átomos e lê palavras

O MatterChat foi desenvolvido para combinar dois tipos muito diferentes de informação: o arranjo 3D preciso dos átomos em um sólido e as perguntas e o conhecimento em formato de texto que os cientistas usam. De um lado, o sistema recebe uma estrutura cristalina, que pode ser representada como uma rede de átomos e ligações. Ele processa isso por modelos poderosos inspirados na física, treinados em centenas de milhares de materiais conhecidos, para produzir impressões numéricas compactas de cada átomo e seu entorno. Do outro lado, um grande modelo de linguagem — baseado no sistema open-source Mistral 7B — converte a pergunta do usuário, como questionamentos sobre estabilidade ou comportamento eletrônico, em sua própria representação interna. Um módulo “ponte” especialmente projetado aprende então a alinhar esses dois mundos para que o modelo de linguagem possa raciocinar diretamente sobre o que os átomos estão fazendo.

Ensinando o sistema com um catálogo rico de materiais

Para treinar o MatterChat, os autores usaram um grande banco de dados contendo 142.899 materiais inorgânicos do Materials Project. Para cada material, foram usados não apenas a estrutura atômica completa, mas também doze tipos de informações descritivas. Essas informações variavam desde identificadores básicos, como fórmula química, tipo de simetria e família cristalina, a nove propriedades-chave, incluindo se o material é metálico ou isolante, sua lacuna eletrônica, comportamento magnético e várias medidas de estabilidade termodinâmica. Ao emparelhar cada estrutura com muitas perguntas e respostas em estilo textual sobre essas propriedades, o sistema aprendeu a conectar padrões nos arranjos atômicos com as palavras que os cientistas usam para descrever e analisar materiais.

De consultas simples a raciocínio ao estilo científico

Uma vez treinado, o MatterChat pode fazer mais do que apenas repetir entradas de banco de dados. Quando o usuário fornece uma estrutura, o sistema pode responder a uma ampla gama de perguntas, como identificar a fórmula, estimar se o material deve existir no laboratório ou avaliar energias que normalmente exigiriam cálculos pesado de mecânica quântica. Os autores mostram exemplos em que o MatterChat produz avaliações detalhadas de materiais específicos, incluindo comentários sobre estabilidade, lacunas eletrônicas e magnetismo. Em alguns casos, vai além, gerando receitas laboratoriais passo a passo plausíveis para sintetizar compostos conhecidos, como nitreto de gálio e granada de ferro e ítrio, apoiando-se no conhecimento científico geral armazenado em seu modelo de linguagem enquanto fundamenta as respostas na estrutura cristalina fornecida.

Superando chatbots de uso geral em números difíceis

Um resultado notável é que o MatterChat obtém melhor desempenho na previsão de propriedades quantitativas de materiais do que tanto modelos de linguagem tradicionais quanto várias ferramentas especializadas de aprendizado de máquina baseadas em física. Em nove tarefas de referência, ele é mais preciso ao decidir, por exemplo, se um sólido é metálico, estável ou magnético. Para quantidades contínuas, como energia de formação ou lacuna de banda, suas previsões ficam mais próximas dos valores obtidos por simulações computacionais exigentes. Isso se mantém mesmo quando testado em uma coleção separada de compostos recentemente descobertos pelo projeto GNoME, que não foram usados durante o treinamento. Os autores também analisam as representações internas do sistema e mostram que estruturas semelhantes se agrupam e que mudanças na estabilidade se distribuem de forma contínua nesse mapa interno, indicando que o modelo aprendeu padrões quimicamente significativos.

O que isso pode significar para a descoberta de novos materiais

Para não especialistas, a principal conclusão é que o MatterChat atua como um parceiro de conversa que tanto entende a linguagem científica quanto tem um senso detalhado de como os átomos se organizam em sólidos. Ao fundir essas capacidades, ele pode responder rapidamente a perguntas que antes exigiam intuição especializada e cálculos caros, e pode sugerir rotas de síntese realistas para candidatos promissores. Embora os autores observem que o sistema ainda tem dificuldade com números extremamente precisos e, ocasionalmente, faz suposições excessivamente confiantes, eles argumentam que seu projeto modular e seu forte desempenho marcam um passo importante rumo a ferramentas de IA que ajudam cientistas a navegar pelo vasto espaço de possíveis materiais, acelerando o caminho de ideias para tecnologias funcionais.

Citação: Tang, Y., Xu, W., Cao, J. et al. A multimodal large language model for materials science. Nat Mach Intell 8, 588–601 (2026). https://doi.org/10.1038/s42256-026-01214-y

Palavras-chave: descoberta de materiais, IA multimodal, estruturas cristalinas, previsão de propriedades, chatbots científicos