L’IA GNoME de DeepMind bouleverse la découverte de matériaux en prédisant près de 2,2 millions de nouvelles structures en un temps record. Cette percée technologique, qui lie apprentissage automatique et chimie des matériaux, promet des avancées plus rapides dans la conception de matériaux — qui pourraient rapidement servir au développement de nouveaux types de batteries, de semi-conducteurs et de technologies solaires.
Grâce aux avancées en supercalcul et en simulation, les chercheurs peuvent désormais explorer efficacement de nouveaux matériaux nécessaires aux technologies émergentes, évitant ainsi les approches conjecturales et inefficaces de création à partir de zéro.
Dans ce contexte, l’intelligence artificielle de DeepMind, une filiale de Google, avec un nouvel outil nommé « réseaux graphiques pour l’exploration des matériaux » (GNoME), a récemment fait une percée majeure. Elle a produit 2,2 millions de structures cristallines, dont 380 000 stables, ce qui les rend potentiellement utiles pour des technologies futures.
Cette avancée, alliant technologie de pointe et recherche scientifique, ouvre des perspectives inédites dans les domaines de l’énergie renouvelable et de l’électronique. De quoi potentiellement aboutir à de meilleures cellules solaires, batteries, puces informatiques et bien plus. Les rapports de ces expérimentations ont été publiés dans la revue Nature.
L’apprentissage profond bouscule la recherche de nouveaux matériaux
L’outil GNoME de DeepMind est une innovation majeure dans le domaine de l’intelligence artificielle, a permis de prédire la structure de millions de matériaux en un temps record, sans précédent dans l’histoire de la science des matériaux. Cette prédiction massive de 2,2 millions de nouveaux matériaux a été rendue possible par l’utilisation de réseaux graphiques avancés, une branche de l’apprentissage profond spécialisée dans l’analyse et la modélisation de données complexes.
Parmi ces matériaux, plus de 700 ont déjà été synthétisés en laboratoire, offrant une validation concrète de la précision et de l’efficacité de GNoME. Ces derniers sont actuellement soumis à des tests rigoureux pour évaluer leurs propriétés et leur applicabilité potentielle dans divers domaines. Cette étape de validation est cruciale, car elle permet de passer de la théorie à la pratique, transformant des prédictions informatiques en applications tangibles et utiles.
D’autre part, GNoME change radicalement la manière dont les matériaux sont découverts. Traditionnellement, la découverte de nouveaux matériaux implique des expérimentations en laboratoire longues et coûteuses, souvent basées sur des essais (et de nombreuses erreurs).
GNoME, en revanche, utilise une combinaison de deux modèles d’apprentissage profond. Le premier génère plus d’un milliard de structures en apportant des modifications à des éléments de matériaux existants. La seconde ignore les structures existantes et prédit la stabilité des nouveaux matériaux uniquement sur la base de formules chimiques. La combinaison de ces deux modèles permet un éventail de possibilités beaucoup plus large.
Une fois les structures candidates générées, elles sont filtrées à travers les modèles GNoME de DeepMind. Les modèles prédisent l’énergie de décomposition d’une structure donnée, ce qui constitue un indicateur important de la stabilité du matériau. GNoME sélectionne les candidats les plus prometteurs, qui font l’objet d’une évaluation plus approfondie basée sur des cadres théoriques connus.
Cette approche a non seulement accéléré le processus de découverte, mais a également augmenté la précision des prédictions. Pour certains matériaux, la précision de prédiction de stabilité a dépassé 80%, un taux remarquablement élevé qui témoigne de l’efficacité de l’IA dans ce domaine.
GNoME peut être décrit comme un AlphaFold destiné à la découverte des matériaux, selon Ju Li, professeur de science et d’ingénierie des matériaux au Massachusetts Institute of Technology (MIT). AlphaFold, un système DeepMind AI annoncé en 2020, prédit les structures des protéines avec une grande précision et a depuis fait progresser la recherche biologique et la découverte de médicaments. Grâce à GNoME, le nombre de matériaux stables connus a presque décuplé, pour atteindre le nombre de 421 000.
Vers des innovations technologiques portées par l’IA
Les matériaux prédits par GNoME présentent un potentiel considérable pour plusieurs industries technologiques. En particulier, les 528 conducteurs de lithium-ion identifiés par GNoME pourraient être exploités pour améliorer les batteries, notamment l’efficacité et la durabilité des batteries lithium-ion — composants clés des véhicules électriques et des appareils mobiles.
En outre, les implications de ces découvertes s’étendent aux semi-conducteurs et aux cellules solaires, où l’amélioration des matériaux pourrait conduire à une augmentation de l’efficacité énergétique et à une réduction des coûts. Cette avancée est particulièrement pertinente à l’heure où la demande mondiale pour des solutions énergétiques plus propres et plus efficaces est en constante augmentation.
Le Laboratoire National Lawrence Berkeley a joué un rôle crucial dans la mise en pratique de ces découvertes. En intégrant les matériaux prédits par GNoME dans son projet Materials Project, le laboratoire a franchi une étape importante vers la concrétisation de ces innovations.
Leur laboratoire autonome, A-Lab, est un exemple parfait de l’application de l’intelligence artificielle et de la robotique dans le développement de nouveaux matériaux. A-Lab a démontré une capacité impressionnante à synthétiser rapidement de nouveaux composés, avec 41 matériaux créés sur la base de 58 proposés en seulement 17 jours. Cette efficacité remarquable montre comment l’automatisation et l’IA peuvent accélérer les processus de recherche et de développement, ouvrant la voie à des avancées rapides et significatives dans de nombreux domaines.