夜雨聆风
研究进展:AI+材料科学-多模态大语言模型MatterChat | Nature Machine Intelligence
理解和预测无机材料性质，对于推动能源、电子等领域的发展至关重要。近年来，多模态大语言模型，为整合结构数据与文本信息提供了新的可能，但如何将原子级结构信息有效融入语言模型，仍然是关键挑战之一。
近日，劳伦斯伯克利国家实验室Yingheng Tang, Wenbin Xu，Zhi Jackie Yao等联合犹他大学Weilu Gao等在Nature Machine Intelligence上发文，提出了一种结构感知的多模态大语言模型框架MatterChat。
研究表明，在材料性质预测与人机交互任务中，MatterChat显著优于通用大模型，同时支持复杂科学推理与材料合成过程的逐步生成。这一方法，为材料科学中的智能辅助设计与发现提供了新的范式。
图1：MatterChat整体架构。
图2：多模态问答与性能对比。
图3：推理与合成过程。
图4：嵌入空间可视化。
图5：性能对比。
图6：注意力与对齐分析。
MatterChat多模态大语言模型，统一处理材料原子结构与文本输入，显著提升了材料性质预测和科学推理能力。从Materials Project数据库中，选取14万余种晶体结构，使用CHGNet和MACE等预训练模型提取原子级嵌入特征，通过可训练的桥接模块，将对齐Mistral 7B大语言模型。训练分为预训练（对比学习、条件语言建模等）和微调两阶段，覆盖化学式、空间群、带隙、自由能等12项任务。实验表明，MatterChat在多项性质预测上超越GPT-4等模型，并能生成材料合成方案。为结构-语言跨模态融合提供了解决方案。
Zhi (Jackie) Yao，劳伦斯伯克利国家实验室 (LBNL) 计算科学与工程中心计算研究部门的研究科学家。2012年浙江大学本科毕业，2017年加州大学洛杉矶分校硕博士，2019年劳伦斯伯克利国家实验室计算科学部博士后。研究领域包括微电子和量子设备/ 电路建模以及电磁学，还运用跨学科训练来研究新型电子的协同设计。