Des chercheurs du Massachusetts Institute of Technology (MIT) viennent de présenter une nouvelle approche qui permet à un modèle d’IA de relier les structures cristallines tridimensionnelles à leurs propriétés physiques et chimiques.
Publiés dans la revue scientifique Nature Communications, ces travaux pourraient faciliter la recherche de nouveaux matériaux pour les batteries, l’électronique et de nombreuses applications industrielles.
Pourquoi les IA classiques ont-elles des difficultés avec les matériaux ?
Les grands modèles de langage sont principalement entraînés à partir de textes.
Ils peuvent analyser des publications scientifiques et identifier des relations entre différentes notions, mais leur compréhension de la géométrie des matériaux reste limitée.
Or, les propriétés d’un matériau dépendent largement de la façon dont ses atomes sont disposés dans l’espace.
Deux matériaux possédant des compositions chimiques proches peuvent présenter des propriétés très différentes lorsque leur structure cristalline change.
Pour prévoir leur comportement, il ne suffit donc pas de connaître les éléments chimiques présents : il faut aussi comprendre leurs arrangements et leurs interactions.
Une IA qui associe langage et structure atomique
Pour résoudre ce problème, les chercheurs ont développé un modèle multimodal combinant deux types d’informations.
Le premier correspond aux structures atomiques tridimensionnelles des matériaux.
Le second regroupe des descriptions scientifiques issues de publications et de bases de données de calcul.
L’objectif est d’apprendre à l’IA à relier la géométrie des cristaux à leurs propriétés et à leurs applications possibles.
Cette approche permet au modèle d’exploiter des informations qu’une IA uniquement entraînée sur du texte ne pourrait pas interpréter aussi efficacement.
Une méthode d’apprentissage originale
Les chercheurs ont notamment utilisé des descriptions générées à partir des structures cristallines.
Ces descriptions permettent de représenter, sous une forme compréhensible par le modèle de langage, des informations concernant la composition, les liaisons atomiques et certaines propriétés des matériaux.
Le système a ensuite été entraîné à associer les représentations géométriques aux descriptions correspondantes.
Les scientifiques ont comparé cette méthode à une approche reposant uniquement sur les textes des publications.
Le modèle multimodal a obtenu de meilleurs résultats pour identifier des matériaux répondant à certaines propriétés recherchées.
Une application prometteuse pour les batteries solides
Les chercheurs ont notamment testé leur système sur les électrolytes destinés aux batteries lithium-ion à électrolyte solide.
Ces matériaux doivent permettre le transport des ions lithium entre les électrodes tout en présentant des caractéristiques adaptées au fonctionnement des batteries.
Leur identification constitue un défi scientifique important.
En interrogeant le modèle sur les propriétés recherchées, les chercheurs ont obtenu une sélection de matériaux comprenant des candidats déjà reconnus comme prometteurs par d’autres travaux.
Ce résultat suggère que l’IA pourrait aider les scientifiques à explorer plus efficacement les bases de données de matériaux.
Il ne signifie cependant pas qu’une nouvelle batterie commerciale a déjà été conçue grâce à ce système.
Une approche qui pourrait s’étendre à d’autres secteurs
Au-delà des batteries, les chercheurs envisagent de nombreuses applications.
La méthode pourrait notamment contribuer à la recherche de matériaux pour l’électronique, l’énergie ou les technologies industrielles avancées.
Son principal intérêt réside dans la capacité à rapprocher les connaissances issues des publications scientifiques et les informations géométriques des bases de données cristallographiques.
Cette combinaison pourrait faciliter la sélection de matériaux candidats avant leur synthèse et leur validation expérimentale.
Quelles sont les limites actuelles ?
Le modèle reste un outil de recherche.
Ses résultats doivent être vérifiés à l’aide de calculs spécialisés et d’expériences physiques.
La performance d’un matériau dépend également de nombreux facteurs, notamment de sa fabrication, de sa stabilité et des conditions réelles d’utilisation.
L’IA ne remplace donc pas les laboratoires, mais elle pourrait les aider à concentrer leurs efforts sur les candidats les plus prometteurs.
Vers une nouvelle génération d’IA scientifiques
Cette recherche illustre une évolution importante de l’intelligence artificielle.
Les modèles ne se limitent plus à analyser des textes ou des images : ils commencent à intégrer des représentations structurées du monde physique.
Pour les chercheurs, l’enjeu est de développer des outils capables de mieux relier la structure des matériaux à leurs propriétés.
À terme, ces systèmes pourraient contribuer à réduire le temps nécessaire pour identifier les matériaux des prochaines générations de batteries et de technologies industrielles.
En savoir plus sur InnovDigit
Subscribe to get the latest posts sent to your email.
