Die Modelle für künstliche Intelligenz, die Textual content in Bilder verwandeln, sind auch nützlich, um neue Materialien zu generieren. In den letzten Jahren haben generative Materialmodelle von Unternehmen wie Google, Microsoft und Meta auf ihre Schulungsdaten gezogen, um Forschern dabei zu helfen, zehn Millionen neuer Materialien zu entwerfen.

Aber wenn es darum geht, Materialien mit exotischen Quanteneigenschaften wie Supraleitung oder einzigartigen magnetischen Zuständen zu entwerfen, kämpfen diese Modelle. Das ist schade, denn Menschen könnten die Hilfe nutzen. Zum Beispiel wurden nach einem Jahrzehnt der Forschung zu einer Klasse von Materialien, die das Quantencomputer revolutionieren konnten, Quantenspin -Flüssigkeiten, nur ein Dutzend Materialkandidaten identifiziert. Der Engpass bedeutet, dass weniger Materialien als Grundlage für technologische Durchbrüche dienen.

Jetzt haben MIT -Forscher eine Technik entwickelt, mit der beliebte Generativmaterial -Modelle vielversprechende Quantenmaterialien erzeugen können, indem sie bestimmte Designregeln befolgen. Die Regeln oder Einschränkungen steuern Modelle, um Materialien mit einzigartigen Strukturen zu erstellen, die Quanteneigenschaften führen.

„Die Modelle dieser großen Unternehmen erzeugen Materialien, die für Stabilität optimiert sind“, sagt Mingda Li, Professorin der Karriereentwicklung von 1947, MINS. „Unsere Perspektive ist normalerweise nicht, wie die Materialwissenschaft voranschreitet. Wir brauchen keine 10 Millionen neuen Materialien, um die Welt zu verändern. Wir brauchen nur ein wirklich gutes Materials.“

Der Ansatz wird heute in a beschrieben Papier veröffentlicht von Naturmaterialien. Die Forscher wendeten ihre Technik an, um Millionen von Kandidatenmaterialien zu generieren, die aus geometrischen Gitterstrukturen bestehen, die mit Quanteneigenschaften verbunden sind. Aus diesem Pool synthetisierten sie zwei tatsächliche Materialien mit exotischen magnetischen Merkmalen.

„Menschen in der Quantengemeinschaft kümmern sich wirklich um diese geometrischen Einschränkungen, wie die Kagome-Gitter, die zwei überlappende, verkehrte Dreiecke sind. Wir haben Materialien mit Kagome-Gitter geschaffen, weil diese Materialien das Verhalten von Seltenerdelementen nachahmen können, sodass sie von hoher technischer Bedeutung sind.“ Li sagt.

Li ist der leitende Autor der Zeitung. Zu seinen Mitautoren der MIT gehören die Doktoranden Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk und Denisse Cordova Carrizales; Postdoc Manasi Mandal; Studentenforscher Kiran Mak und Bowen Yu; Gastwissenschaftlerin Nguyen Tuan hing; Xiang Fu ’22, PhD ’24; und Professor für Elektrotechnik und Informatik Tommi Jaakkola, Mitglied des Labors für Informatik und künstliche Intelligenz (CSAIL) und Institut für Daten, Systeme und Gesellschaft. Weitere Co-Autoren sind Yao Wang von der Emory College, Weiwei Xie von der Michigan State College, Yq Cheng vom Oak Ridge Nationwide Laboratory und Robert Cava von der Princeton College.

Lenkmodelle in Richtung Impression

Die Eigenschaften eines Supplies werden durch seine Struktur bestimmt und Quantenmaterialien sind nicht unterschiedlich. Bestimmte Atomstrukturen führen eher zu exotischen Quanteneigenschaften als andere. Zum Beispiel können quadratische Gitter als Plattform für Hochtemperatur-Supraleiter dienen, während andere als Kagome- und Lieb-Lattices bekannte Formen die Erstellung von Materialien unterstützen können, die für das Quantencomputer nützlich sein könnten.

Um eine beliebte Klasse von generativen Modellen zu unterstützen, die als Diffusionsmodelle bekannt sind, produzieren die Forscher skigen (kurz für die Integration der strukturellen Einschränkung in das generative Modell). Scigen ist ein Computercode, der sicherstellt, dass Diffusionsmodelle bei jedem iterativen Erzeugungsschritt benutzerdefinierte Einschränkungen einhalten. Mit Scigen können Benutzer alle geometrischen Strukturregeln für generative KI -Diffusionsmodells angeben, die nach dem Erzeugen von Materialien folgen.

AI -Diffusionsmodelle arbeiten durch Stichproben aus ihrem Trainingsdatensatz, um Strukturen zu generieren, die die Verteilung der im Datensatz gefundenen Strukturen widerspiegeln. Skigene blockiert Generationen, die nicht mit den strukturellen Regeln übereinstimmen.

Um Skigen zu testen, wendeten die Forscher es auf ein beliebtes Modell zur Erzeugung von AI -Materialien an, das als DiffcSP bekannt ist. Sie hatten das mit Skigen ausgestattete Modell erzeugen Materialien mit einzigartigen geometrischen Mustern, die als archimedische Gitter bekannt sind, bei denen es sich um Sammlungen von 2D-Gitterfliesen verschiedener Polygone handelt. Archimedische Gitter können zu einer Reihe von Quantenphänomenen führen und standen im Mittelpunkt vieler Forschung.

„Archimedäische Gitter führen zu Quantenspinflüssigkeiten und sogenannten flachen Bändern, die die Eigenschaften seltener Erden ohne Seltenerdelemente nachahmen können, sodass sie äußerst wichtig sind“, sagt Cheng, ein Mitkreuzthauptautor der Arbeit. „Andere archimedische Gittermaterialien haben große Poren, die für die CO2 -Erfassung und andere Anwendungen verwendet werden können. Daher handelt es sich um eine Sammlung von speziellen Materialien. In einigen Fällen gibt es keine Supplies mit diesem Gitter. Ich denke, es wird wirklich interessant sein, das erste Materials zu finden, das in dieses Gitter passt.“

Das Modell erzeugte über 10 Millionen Materialkandidaten mit archimedischen Gitter. Eine Million dieser Materialien überlebte ein Screening auf Stabilität. Unter Verwendung der Supercomputer im Oak Ridge Nationwide Laboratory nahmen die Forscher dann eine kleinere Stichprobe von 26.000 Materialien an und führten detaillierte Simulationen durch, um zu verstehen, wie sich die zugrunde liegenden Atome der Materialien verhalten. Die Forscher fanden Magnetismus in 41 Prozent dieser Strukturen.

Aus dieser Untergruppe synthetisierten die Forscher zwei bisher unentdeckte Verbindungen, Tipdbi und Tipbsb, in den Labors von Xie und Cava. Nachfolgende Experimente zeigten, dass die Vorhersagen des KI -Modells weitgehend auf die Eigenschaften des tatsächlichen Supplies ausgerichtet waren.

„Wir wollten neue Materialien entdecken, die einen großen potenziellen Einfluss haben könnten, indem wir diese Strukturen einbeziehen, von denen bekannt ist, dass sie Quanteneigenschaften hervorrufen“, sagt Okabe, der Erstautor der Zeitung. „Wir wissen bereits, dass diese Materialien mit spezifischen geometrischen Mustern interessant sind, daher ist es natürlich, mit ihnen zu beginnen.“

Beschleunigungsmaterialbrettung

Quantenspin-Flüssigkeiten könnten das Quantencomputer freischalten, indem er stabile, fehlerresistente Qubits aktiviert, die als Grundlage für Quantenoperationen dienen. Es wurden jedoch keine quantenspin flüssigen Materialien bestätigt. Xie und Cava glauben, dass Skigen die Suche nach diesen Materialien beschleunigen könnte.

„Es gibt eine große Suche nach Quantenmaterialien und topologischen Supraleitern, und alle beziehen sich auf die geometrischen Materialmuster“, sagt Xie. „Aber der experimentelle Fortschritt conflict sehr, sehr langsam“, fügt Cava hinzu. „Viele dieser Quantenspin flüssigen Materialien unterliegen Einschränkungen: Sie müssen sich in einem dreieckigen Gitter oder einem Kagome -Gitter befinden. Wenn die Materialien diese Einschränkungen erfüllen, werden die Quantenforscher aufgeregt. Es ist ein notwendiger, aber nicht ausreichender Zustand. Wenn Sie viele Materialien wie diese erzeugen, werden die Experimentierhunderte, die Hunderte oder Tausends mehr spielt.

„Diese Arbeit präsentiert ein neues Software, das maschinelles Lernen nutzt, das vorhersagen kann, welche Materialien bestimmte Elemente in einem gewünschten geometrischen Muster aufweisen werden“, sagt Steve Could, Professor der Drexel -Universität, der nicht an der Forschung beteiligt conflict. „Dies sollte die Entwicklung zuvor unerforschter Materialien für Anwendungen in elektronischen, magnetischen oder optischen Technologien der nächsten Era beschleunigen.“

Die Forscher betonen, dass Experimente immer noch entscheidend sind, um zu beurteilen, ob AI-generierte Materialien synthetisiert werden können und wie ihre tatsächlichen Eigenschaften mit Modellvorhersagen verglichen werden können. Zukünftige Arbeiten an Skigen könnten zusätzliche Designregeln in generative Modelle einbeziehen, einschließlich chemischer und funktionaler Einschränkungen.

„Menschen, die die Welt mehr für materielle Eigenschaften als die Stabilität und Struktur von Materialien verändern wollen“, sagt Okabe. „Mit unserem Ansatz sinkt das Verhältnis stabiler Materialien, aber es öffnet die Tür, um eine ganze Reihe vielversprechender Materialien zu erzeugen.“

Die Arbeit wurde teilweise vom US -amerikanischen Energieministerium, dem Nationwide Power Analysis Scientific Computing Heart, der Nationwide Science Basis und dem Oak Ridge Nationwide Laboratory unterstützt.

Wenn Sie versuchen, Ideen zu kommunizieren oder zu verstehen, tun Wörter nicht immer den Trick. Manchmal besteht der effizientere Ansatz darin, eine einfache Skizze dieses Konzepts durchzuführen. Zum Beispiel kann die Diagrammung einer Schaltung dazu beitragen, wie das System funktioniert.

Aber was wäre, wenn künstliche Intelligenz uns helfen könnte, diese Visualisierungen zu erforschen? Während diese Systeme in der Regel realistische Gemälde und Karikaturzeichnungen erstellen können, erfassen viele Modelle nicht die Essenz des Skizzierens: seine Schlaganfall- und iterative Prozesse, die dem Menschen hilft, Brainstorming zu erstellen und zu bearbeiten, wie sie ihre Ideen darstellen möchten.

Ein neues Zeichensystem aus dem MIT -Labor für Informatik und künstliche Intelligenz (CSAIL) und der Stanford College kann mehr so ​​skizzieren, wie wir es tun. Ihre Methode mit dem Namen „Sketchagent“ verwendet ein multimodales Sprachmodell – KI -Systeme, die auf Textual content und Bilder trainieren, wie das Claude 3.5 -Sonett von Anthropic -, um natürliche Sprache in wenigen Sekunden in Skizzen zu verwandeln. Zum Beispiel kann es ein Haus entweder selbst oder durch Zusammenarbeit kritzeln, mit einem Menschen zeichnen oder textbasierte Eingaben einbeziehen, um jeden Teil separat zu skizzieren.

Die Forscher zeigten, dass Sketchagent abstrakte Zeichnungen verschiedener Konzepte wie Roboter, Schmetterling, DNA -Helix, Flowdiagramm und sogar das Sydney Opera Home erstellen kann. Eines Tages könnte das Instrument in ein interaktives Kunstspiel erweitert werden, das Lehrern und Forschern hilft, komplexe Konzepte auszuräumen oder den Benutzern eine schnelle Zeichenstunde zu geben.

CSAIL Postdoc Yael Vinker, der der Hauptautor von A ist Papier Wenn Sie Sketchagent vorstellen, stellt das System fest, dass das System den Menschen eine natürlichere Möglichkeit einführt, mit KI zu kommunizieren.

„Nicht jeder weiß, wie sehr er ihr tägliches Leben zeichnen. Wir können unsere Gedanken oder Workshop -Ideen mit Skizzen zeichnen“, sagt sie. „Unser Instrument zielt darauf ab, diesen Prozess nachzuahmen und multimodale Sprachmodelle nützlicher zu machen, um uns visuell Ideen auszudrücken.“

Sketchagent lehrt diese Modelle, Schlaganfall zu zeichnen, ohne Daten zu trainieren. Stattdessen entwickelten die Forscher eine „Skizziersprache“, in der eine Skizze in eine nummerierte Folge von Schlaganfällen auf einem Raster übersetzt wird. Das System erhielt ein Beispiel dafür, wie Dinge wie ein Haus gezogen werden würden, wobei jeder Schlag nach dem, was es darstellte – wie der siebte Schlag, ein Rechteck, das als „Haustür“ bezeichnet wurde -, um das Modell auf neue Konzepte zu verallgemeinern.

Vinker schrieb das Papier zusammen mit drei CSAIL -Associates – Postdoc Tamar Rott Shaham, Scholar -Forscher Alex Zhao und Professorin Antonio Torralba – sowie Kristine Zheng, Analysis der Stanford College, und der stellvertretende Professor Judith Ellen Fan. Sie werden ihre Arbeiten auf der Konferenz 2025 über Laptop Imaginative and prescient und Mustererkennung (CVPR) in diesem Monat präsentieren.

Bewertung der Skizzierungsfähigkeiten von KI

Während Textual content-zu-Picture-Modelle wie Dall-E 3 faszinierende Zeichnungen erzeugen können, fehlt ihnen eine entscheidende Komponente des Skizzierens: Der spontane, kreative Prozess, bei dem sich jeder Schlag auf das Gesamtdesign auswirken kann. Andererseits werden Sketchagents Zeichnungen als Folge von Schlaganfällen modelliert, die natürlicher und flüssiger erscheinen, wie menschliche Skizzen.

Frühere Arbeiten haben diesen Prozess auch nachgeahmt, aber sie haben ihre Modelle auf menschlichen Datensätzen geschult, die häufig in Größenordnung und Vielfalt begrenzt sind. Sketchagent verwendet stattdessen vorgeborene Sprachmodelle, die sich über viele Konzepte kennenlernen, aber nicht wissen, wie man skizziert. Als die Forscher Sprachmodelle diesen Prozess unterrichteten, begann Sketchagent, verschiedene Konzepte zu skizzieren, an denen sie nicht explizit ausgebildet waren.

Trotzdem wollten Vinker und ihre Kollegen sehen, ob Sketchagent aktiv mit Menschen am Skizzierungsprozess zusammenarbeitete oder ob es unabhängig von seinem Zeichenpartner arbeitete. Das Group testete sein System im Kollaborationsmodus, wo ein Mensch und ein Sprachmodell darauf hinarbeiten, ein bestimmtes Konzept mit Tandem zu zeichnen. Das Entfernen von Sketchagents Beiträgen ergab, dass die Schläge ihres Werkzeugs für die endgültige Zeichnung von wesentlicher Bedeutung waren. In einer Zeichnung eines Segelboots machte das Entfernen der künstlichen Striche, die einen Mast darstellen, die Gesamtskizze nicht wiederzuerkennen.

In einem anderen Experiment haben CSAIL- und Stanford -Forscher verschiedene multimodale Sprachmodelle in SketchAgent angeschlossen, um festzustellen, welche die bekanntesten Skizzen erzeugen könnten. Das standardmäßige Spine-Modell, Claude 3.5 Sonett, erzeugte die menschlichsten Vektorgrafiken (im Wesentlichen textbasierte Dateien, die in hochauflösende Bilder konvertiert werden können). Es übertraf Modelle wie GPT-4O und Claude 3 Opus.

„Die Tatsache, dass Claude 3.5 Sonett andere Modelle wie GPT-4O und Claude 3 Opus übertraf, legt nahe, dass dieses Modell sich unterschiedlich verarbeitet und visuell bezogene Informationen erzeugt“, sagt Co-Autor Tamar Rott Shaham.

Sie fügt hinzu, dass Sketchagent zu einer hilfreichen Schnittstelle für die Zusammenarbeit mit KI-Modellen hinausgehen könnte, die über die Normal-textbasierte Kommunikation hinausgehen. „Wenn Modelle beim Verständnis und Generieren anderer Modalitäten wie Skizzen voranschreiten und generieren, öffnen sie den Benutzern neue Möglichkeiten, Ideen auszudrücken und Antworten zu erhalten, die sich intuitiver und menschlicher anfühlen“, sagt Rott Shaham. „Dies könnte die Interaktionen erheblich bereichern und KI zugänglicher und vielseitiger machen.“

Während Sketchagents Zeichnungskompetenz vielversprechend ist, kann es noch keine professionellen Skizzen erstellen. Es macht einfache Darstellungen von Konzepten unter Verwendung von Stick -Figuren und Kritzeleien, kämpft jedoch darum, Dinge wie Logos, Sätze, komplexe Kreaturen wie Einhörner und Kühe und bestimmte menschliche Figuren zu kritzeln.

Zuweilen missverstanden ihr Modell auch die Absichten der Benutzer in kollaborativen Zeichnungen, wie als Sketchagent einen Hasen mit zwei Köpfen zog. Laut Vinker kann dies daran liegen, dass das Modell jede Aufgabe in kleinere Schritte (auch als „Kette der Gedankenkette“ bezeichnet) unterteilt. Bei der Arbeit mit Menschen erstellt das Modell einen Zeichnungsplan, der möglicherweise falsch interpretiert, zu welchem ​​Teil dieser Umrisse ein Mensch beiträgt. Die Forscher könnten diese Zeichnungsfähigkeiten möglicherweise verfeinern, indem sie synthetische Daten aus Diffusionsmodellen trainieren.

Darüber hinaus erfordert Sketchagent häufig einige Runden, um menschliche Kritzeleien zu erzeugen. In Zukunft soll das Group es einfacher machen, mit multimodalen Sprachmodellen zu interagieren und zu skizzieren, einschließlich der Verfeinerung der Schnittstelle.

Dennoch schlägt das Instrument vor, dass KI verschiedene Konzepte wie Menschen anziehen könnte, mit Schritt-für-Schritt-Human-AI-Zusammenarbeit, die zu einer besseren endgültigen Designs führt.

Diese Arbeit wurde zum Teil von der US Nationwide Science Basis, einem Hoffman-yee-Stipendium des Stanford Institute for Human-Centered AI, der Hyundai Motor Co., dem Forschungslabor der US-Armee, dem Zuckerman STEM-Führungsprogramm und einem Viterbi-Stipendium unterstützt.