Les équipes de Google DeepMind, associées au Lawrence Berkeley National Laboratory, ont publié deux articles dans la prestigieuse revue Nature sur la façon dont l’intelligence artificielle peut provoquer un bond en avant dans la science des matériaux. Les résultats, encourageants, pourraient considérablement accélérer l’innovation dans les domaines des batteries, du photovoltaïque ou des puces.
DeepMind va proposer en accès libre les 381 000 matériaux les plus prometteurs
Un résultat qui rappelle le travail de DeepMind avec les protéines. GNoME, pour Graph Networks for Materials Exploration, a découvert en 17 jours, plus de 45 fois plus de structures cristallines potentiellement stables que celles actuellement connues. 2,2 millions contre 48 000. Ces combinaisons doivent encore être vérifiées expérimentalement, en laboratoire, mais les auteurs de l’étude sont optimistes : pendant leurs recherches 736 structures, proposées par GNoME, ont aussi été découvertes par des scientifiques ailleurs dans le monde, indépendant de Google DeepMind et du Lawrence Berkeley National Laboratory.
Inscrivez-vous à la newsletter
En vous inscrivant vous acceptez notre politique de protection des données personnelles.
Le processus de recherche habituel pour trouver des structures cristallines stables par tâtonnement, recherche et développement est lent. Il s’agit d’essayer, d’échouer et de recommencer, pour parvenir à des résultats parfois décevants.
Google DeepMind, rapporte que le numérique a déjà significativement stimulé le secteur, avec 28 000 nouveaux matériaux découverts grâce à la base de données en libre accès Materials Project. C’est elle que les développeurs de GNoME ont utilisée pour entraîner leur modèle d’apprentissage profond, de deep learning.
GNoME fonctionne avec deux pipelines. L’un créé des candidats avec des structures similaires à celles connues. L’autre est plus aléatoire, avec des formules chimiques. Les résultats sont évalués avant d’enrichir le processus d’apprentissage de GNoME. Crédit : Google DeepMind
« Nous espérons que de grandes améliorations en matière d’expérimentation, de synthèse autonome et de modèles d’apprentissage automatique réduiront considérablement ce délai, de 10 à 20 ans, pour devenir quelque chose de beaucoup plus raisonnable », a déclaré l’un des coauteurs de l’étude, Ekin Dogus Cubuk.
381 000 structures, jugées comme les plus prometteuses, seront mises en accès libre pour la communauté de la recherche. Cela permettra de passer à la phase d’expérimentation. Un deuxième article, des chercheurs du Lawrence Berkeley National Laboratory, montre comment utiliser les prédictions de l’IA pour la synthèse des matériaux. Ils sont parvenus à la création autonome de 41 composés sur 58, un taux de réussite élevé de 70 %.
52 000 composés potentiels similaires au Graphène ont été découverts, contre 1 000 existants. Cela pourrait avoir un impact significatif dans le monde des puces. 528 conducteurs potentiels d’ions lithium, incontournable pour les batteries, ont aussi été mis en évidence, c’est 25 fois plus que la dernière étude sur le sujet.
Les équipes qui ont travaillé sur le projet estiment que leurs travaux pourraient permettre des avancés significatifs pour des technologies de rupture, comme les supraconducteurs, l’alimentation de superordinateurs ou des batteries de nouvelles générations.