Rediseño de materiales conscientes de la síntesis a través de modelos de lenguaje grandes

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• La cristalografía

Sus antecedentes:

• La predicción de la viabilidad sintética de las estructuras cristalinas inorgánicas es crucial para el descubrimiento de materiales.
• Los métodos existentes se centran principalmente en la predicción en lugar de rediseñar materiales no sintetizables.

Objetivo del estudio:

• Desarrollar un nuevo marco utilizando grandes modelos de lenguaje (LLM) para transformar estructuras cristalinas inorgánicas sintéticamente inviables en estructuras sintéticamente viables.
• Proporcionar soluciones viables para el rediseño de materiales, cerrando la brecha entre el diseño computacional y la síntesis experimental.

Principales métodos:

• Integración de una representación estructural invertible con modelos de lenguaje de gran tamaño.
• Estrategia iterativa de ajuste fino para modificar los materiales no sintetizados.
• Utilizando un enfoque de "aprendizaje y regeneración" inherente a los LLM.

Principales resultados:

• Los LLM demostrados pueden modificar efectivamente varios materiales inorgánicos para mejorar la sintetizabilidad.
• Ha rediseñado con éxito estructuras no sintetizables en candidatos viables.
• Validación experimental indirecta: 34 de las 100 principales estructuras rediseñadas se encontraron en la literatura existente.

Conclusiones:

• El marco propuesto aborda efectivamente la brecha crítica entre el diseño y la síntesis de materiales.
• Los LLM ofrecen una herramienta poderosa para generar compuestos inorgánicos experimentales.
• Este enfoque acelera el descubrimiento de nuevos materiales sintéticos.