Malzeme bilimi için çok modlu büyük dil modeli

Yeni malzemelerin günlük yaşama etkisi

Daha iyi telefon pilleri, daha verimli güneş panelleri ve daha hızlı bilgisayarlar gibi birçok geleceğin teknolojisi, yeni malzemelerin keşfine ve iyileştirilmesine dayanır. Ancak hangi atom kombinasyonlarının istenen özellikleri vereceğini bulmak, kozmik büyüklükte bir samanlıkta iğne aramak gibidir. Bu makale, bilim insanlarıyla günlük dilde konuşabilen ve aynı zamanda malzemelerin ayrıntılı atomik yapısını “gören” bir yapay zeka sistemi olan MatterChat’i tanıtıyor; sistem, malzemelerin nasıl davrandığını ve laboratuvarda nasıl üretilebileceklerini tahmin etmeye yardımcı oluyor.

Atomları gören ve metinleri okuyan dijital bir asistan

MatterChat, birbirinden çok farklı iki bilgi türünü birleştirmek üzere tasarlandı: bir katının atomlarının kesin 3B dizilimi ve bilim insanlarının kullandığı metne dayalı sorular ve bilgiler. Bir tarafta sistem, atom ve bağ ağlarıyla temsil edilebilen kristal yapıyı alıyor. Bunu, her bir atomun ve çevresinin sıkıştırılmış sayısal parmak izlerini üreten, yüz binlerce bilinen malzeme üzerinde eğitilmiş güçlü fiziksel ilhamlı modellerden geçiriyor. Diğer tarafta ise açık kaynaklı Mistral 7B sistemine dayanan büyük bir dil modeli, kullanıcının stabilite veya elektronik davranış gibi sorusunu kendi iç temsil biçimine çeviriyor. Özel tasarlanmış bir “köprü” modülü daha sonra bu iki dünyayı hizalamayı öğrenerek dil modelinin doğrudan atomların ne yaptığını mantıksal olarak değerlendirmesini sağlıyor.

Zengin bir malzeme kataloğuyla eğitmek

MatterChat’i eğitmek için yazarlar Materials Project’ten 142.899 inorganik madde içeren büyük bir veritabanından yararlandılar. Her bir malzeme için yalnızca tam atomik yapı değil, aynı zamanda on iki tür açıklayıcı bilgi kullanıldı. Bunlar, kimyasal formül, simetri türü ve kristal ailesi gibi temel tanımlayıcılardan malzemenin metalik mi yoksa yalıtkan mı olduğu, elektronik bant aralığı, manyetik davranış ve termodinamik kararlılığın birkaç ölçümü dahil dokuz ana özelliğe kadar uzanıyordu. Her yapıyı bu özelliklerle ilgili çok sayıda metin tarzı soru ve cevapla eşleştirerek sistem, atomik düzenlerdeki kalıpları bilim insanlarının malzemeleri tanımlamak ve analiz etmek için kullandığı kelimelerle ilişkilendirmeyi öğrendi.

Basit aramalardan bilimsel mantığa

Eğitildikten sonra MatterChat sadece veritabanı girişlerini tekrarlamaktan daha fazlasını yapabiliyor. Bir kullanıcı bir yapı sağladığında sistem, formülü tanımlamak, malzemenin laboratuvarda var olup olmayacağını tahmin etmek veya normalde yoğun kuantum mekaniği hesapları gerektiren enerjileri tahmin etmek gibi geniş bir yelpazede soruyu yanıtlayabiliyor. Yazarlar, MatterChat’in belirli malzemeler hakkında kararlılık, elektronik bant aralığı ve manyetizma üzerine ayrıntılı değerlendirmeler ürettiği örnekler gösteriyor. Bazı durumlarda sistem daha da ileri giderek gallium nitrür ve itriyum demir garnet gibi iyi bilinen bileşiklerin makul adım adım laboratuvar sentez tariflerini oluşturuyor; dil modelinde depolanan genel bilimsel bilgiden yararlanırken cevaplarını sağlanan kristal yapıyla da temelendiriyor.

Zor sayılarda genel amaçlı sohbet botlarını geride bırakmak

Çarpıcı bir sonuç, MatterChat’in nicel malzeme özelliklerini tahmin etmede hem geleneksel dil modellerinden hem de birkaç özel fizik tabanlı makine öğrenmesi aracından daha iyi performans göstermesi. Dokuz kıyas görevinde örneğin bir katının metalik, kararlı ya da manyetik olup olmadığını kararlaştırmada daha doğru. Oluşum enerjisi veya bant aralığı gibi sürekli nicelikler için yaptığı tahminler, zorlu bilgisayar simülasyonlarından elde edilen değerlere daha yakın. Bu, eğitim sırasında kullanılmamış olan GNoME projesinden yeni keşfedilmiş bileşikler içeren ayrı bir koleksiyon üzerinde test edildiğinde bile geçerli. Yazarlar ayrıca sistemin iç temsillerini analiz ediyor ve benzer yapıların kümelendiğini, kararlılıktaki değişikliklerin bu iç harita üzerinde düzgün şekilde izlendiğini göstererek modelin kimyasal olarak anlamlı kalıpları öğrendiğini ortaya koyuyor.

Yeni malzemeler keşfetmek için ne anlama gelebilir

Uzman olmayanlar için ana çıkarım, MatterChat’in hem bilimsel dili anlayan hem de katılardaki atomların nasıl dizildiğine dair ayrıntılı bir sezgisi olan bir konuşma ortağı gibi davranmasıdır. Bu yetenekleri birleştirerek, bir zamanlar uzman sezgisi ve pahalı hesaplamalar gerektiren soruları hızla yanıtlayabilir ve umut vaat eden adaylar için gerçekçi sentez yolları önerebilir. Yazarlar, sistemin hâlâ son derece hassas sayılarla zorlandığını ve ara sıra aşırı güvenli tahminler yapabildiğini not etseler de, modüler tasarımının ve güçlü performansının, bilim insanlarının olası malzemeler alanında gezinmelerine yardımcı olan AI araçlarına doğru önemli bir adımı işaret ettiğini savunuyorlar; bu da fikirlerden çalışan teknolojilere giden yolu hızlandırabilir.

Atıf: 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

Anahtar kelimeler: malzeme keşfi, çok modlu yapay zeka, kristal yapılar, özellik tahmini, bilimsel sohbet botları