Naukowcy opracowali DISTAL - framework do przewidywania właściwości materiałów, który nie wymaga danych o strukturze krystalicznej. Metoda ta stanowi przełom dla scenariuszy z ograniczonymi danymi treningowymi, gdzie wiele właściwości docelowych ma tylko kilka próbek oznaczonych.
DISTAL łączy dwa podejścia: samouczenie oparte na składzie materiału oraz destylację strukturalnej wiedzy z pretrenowanego modelu ALIGNN. System najpierw uczy się reprezentacji składu z dużej wirtualnej przestrzeni kompozycji, korzystając z 145 deskryptorów pochodzących ze składu. Następnie przenosi wiedzę strukturalną z nauczyciela w postaci modelu do ucznia warunkowanego składem. To pozwala na wykorzystanie informacji strukturalnych podczas treningu, bez potrzeby podawania ich podczas wnioskowania.
Wyniki są imponujące: na 39 zadaniach testowych najlepiej działająca konfiguracja multimodalna łączy wszystkie trzy sygnały (deskryptory kompozycyjne, cechy ukryte i destylowane cechy strukturalne) i poprawia wyniki benchmarków na 37 testach. Takie podejście jest szczególnie cenne na wczesnych etapach selekcji materiałów, gdy dane strukturalne są niedostępne lub fragmentaryczne, otwierając nowe możliwości w odkrywaniu i optymalizacji materiałów.