Google DeepMind a annoncé avoir découvert plus de deux millions de nouveaux matériaux susceptibles d'être utilisés pour améliorer des technologies telles que les batteries, les panneaux solaires et les puces électroniques. Cette découverte a été rendue possible grâce à un système d'IA appelé "GNoME" développé par Google DeepMind. Ce système d'IA est déjà utilisé par des chercheurs du Lawrence Berkeley National Laboratory au sein d'un laboratoire autonome. Google DeepMind indique que le système d'IA a mis 17 jours pour identifier 2,2 millions de nouvelles structures cristallines inorganiques potentiellement stables, dont plus de 700 ont déjà été validées expérimentalement.Google DeepMind annonce avoir mis en évidence une capacité clé de l'apprentissage profond : l'aide à la découverte de nouveaux matériaux pouvant être utilisés pour faire progresser le développement de technologies de pointe. Dans un article de recherche publié mercredi dans la revue scientifique Nature, Google DeepMind affirme que l'apprentissage profond pour accélérer considérablement le processus de découverte de nouveaux matériaux. Pour cela, il a élaboré un algorithme d'apprentissage profond appelé GNoME (Graphical Networks for Material Exploration) capable de proposer des combinaisons théoriquement stables pour de nouveaux minéraux.
L'article de recherche de Google DeepMind indique que cette technologie a déjà été utilisée pour définir les structures de 2,2 millions de nouveaux matériaux, dont plus de 700 ont été créés en laboratoire et font actuellement l'objet d'essais. Selon les chercheurs de Google DeepMind, cela représente une augmentation de près de 10 fois par rapport aux cristaux inorganiques stables connus jusqu'à présent. L'équipe de recherche prévoit de mettre 381 000 des structures les plus prometteuses à la disposition de leurs collègues scientifiques pour qu'ils les fabriquent et testent leur viabilité dans des domaines allant des cellules solaires aux supraconducteurs.
Auparavant, la découverte de nouveaux matériaux pouvait prendre des mois, voire des années, de recherche par essais et erreurs. Pour en découvrir de nouveaux, les scientifiques combinent des éléments du tableau périodique. Mais les combinaisons sont très nombreuses et il est inefficace de procéder à l'aveuglette. Au lieu de cela, les scientifiques s'appuient sur les structures existantes, en y apportant de petites modifications dans l'espoir de découvrir de nouvelles combinaisons prometteuses. Mais ce processus minutieux prend beaucoup de temps. De plus, comme il s'appuie sur des structures existantes, il limite le potentiel de découvertes inattendues.
Pour surmonter ces limites, G DeepMind combine deux modèles d'apprentissage profond différents. Le premier génère plus d'un milliard de structures en apportant des modifications aux éléments des matériaux existants. Le second, en revanche, ignore les structures existantes et prédit la stabilité de nouveaux matériaux uniquement sur la base de formules chimiques. La combinaison de ces deux modèles élargit l'éventail des possibilités. Une fois les structures candidates générées, elles sont filtrées par le modèle d'IA GNoME. Ce modèle prédit l'énergie de décomposition d'une structure donnée, qui est un indicateur important de la stabilité du matériau.
Les matériaux stables ne se décomposent pas facilement, ce qui est important pour l'ingénierie. GNoME sélectionne les candidats les plus prometteurs, qui font l'objet d'une évaluation plus poussée sur la base de cadres théoriques connus. Ce processus est ensuite répété plusieurs fois, chaque découverte étant intégrée dans le cycle de formation suivant. Lors du premier tour, GNoME a prédit la stabilité de différents matériaux avec une précision d'environ 5 %. Selon l'équipe de recherche, les résultats finaux ont révélé que GNoME est parvenu à prédire la stabilité des structures plus de 80 % du temps pour le premier modèle et 33 % pour le second.
L'étude montre la manière dont l'utilisation de l'IA peut raccourcir des années de greffes expérimentales et permettre d'améliorer les produits et les processus. « Des micropuces aux batteries et aux cellules photovoltaïques, la découverte de cristaux inorganiques a été entravée par des approches d'essai et d'erreur coûteuses. Notre travail représente une expansion d'un ordre de grandeur des matériaux stables connus de l'humanité », indique l'article publié dans la revue Nature. Deux applications potentielles de ces nouveaux composés inorganiques sont l'invention de matériaux en couches polyvalents et le développement de l'informatique neuromorphique.
Il est important de noter que l'utilisation de modèles d'IA pour trouver de nouveaux matériaux n'est pas une idée nouvelle. Le Materials Project, un programme dirigé par Kristin Persson au Berkeley Lab, a utilisé des techniques similaires pour découvrir et améliorer la stabilité de 48 000 matériaux. Cependant, la taille et la précision de GNoME le distinguent des efforts précédents. Selon Chris Bartel, professeur adjoint de génie chimique et de science des matériaux à l'université du Minnesota, aux États-Unis, le modèle GNoME a été formé à partir d'un nombre de données supérieur d'au moins un ordre de grandeur à celui de tous les modèles précédents.
Parallèlement à GNoME, les chercheurs du Lawrence Berkeley National Laboratory ont annoncé la création d'un nouveau laboratoire autonome. Ce laboratoire utilise les données de la base de données sur les matériaux, qui comprend certaines des découvertes de GNoME, et recourt à l'apprentissage automatique et à des bras robotisés pour créer de nouveaux matériaux sans l'aide de l'homme. Selon Ju Li, professeur de science et d'ingénierie des matériaux au Massachusetts Institute of Technology, GNoME peut être décrit comme AlphaFold pour la découverte de matériaux. AlphaFold est un système d'IA développé par Google DeepMind et annoncé en 2020.
AlphaFold 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 atteint 421 000. Selon les critiques, ces deux études ont des implications considérables pour l'avenir de la découverte scientifique et l'utilisation de l'IA dans la recherche en science des matériaux. Ce type d'approche fondée sur l'IA pourrait réduire le temps nécessaire à la création de nouveaux matériaux pour des applications spécifiques, ce qui permettrait d'accélérer l'innovation et de réduire les coûts de développement des produits.
L'utilisation de l'IA laisse également entrevoir un avenir où les expériences de laboratoire manuelles et chronophages pourraient être réduites au minimum, voire complètement éliminées, ce qui permettrait aux scientifiques de se concentrer davantage sur la conception et l'analyse de composés uniques. En outre, les chercheurs affirment que ces deux études ouvrent un nouveau chapitre de la science des matériaux qui pourrait stimuler l'innovation dans de nombreux domaines, allant de la création de systèmes de stockage d'énergie plus efficaces au développement d'équipements médicaux avancés et à l'amélioration des puces informatiques.
A-Lab, une installation du Berkeley Lab où l'IA guide les robots dans la création de nouveaux matériaux
Les conducteurs des batteries lithium-ion constituent l'un des cas d'utilisation les plus prometteurs. Les conducteurs jouent un rôle important dans les batteries en facilitant la circulation du courant électrique entre les différents composants. Google DeepMind indique que GNoME a identifié 528 conducteurs lithium-ion prometteurs parmi d'autres découvertes, dont certaines pourraient contribuer à rendre les batteries plus efficaces. Mais même après la découverte de nouveaux matériaux, il faut généralement des décennies aux industries pour les amener au stade commercial. L'industrie réfléchit également sur les moyens de réduire ce délai.
Selon les chercheurs du Lawrence Berkeley National Laboratory, le nouveau laboratoire, appelé A-Lab, est capable de prendre ses propres décisions sur la manière de fabriquer un matériau proposé et crée jusqu'à cinq formulations initiales. Ces formulations sont générées par un modèle d'apprentissage automatique formé sur la base de la littérature scientifique existante. Après chaque expérience, le laboratoire utilise les résultats pour ajuster les recettes. Selon les chercheurs, A-Lab a pu réaliser 355 expériences en 17 jours et a réussi à synthétiser 41 des 58 composés proposés. Cela représente deux synthèses réussies par jour.
Dans un laboratoire classique, dirigé par des humains, il faut beaucoup plus de temps pour fabriquer des matériaux. « Si vous n'avez pas de chance, cela peut prendre des mois, voire des années. La plupart des étudiants abandonnent après quelques semaines. Mais A-Lab n'a pas peur d'échouer. Il continue d'essayer et d'essayer », a déclaré Kristin Persson du Berkeley Lab.
Sources : Google DeepMind (1, 2), Berkeley Lab
Et vous ?
Quel est votre avis sur le sujet ? Que pensez-vous des apports de l'IA dans la découverte de nouveaux matériaux ? L'IA va-t-elle révolutionner ce domaine ?Voir aussi
Google DeepMind présente RT-X : un modèle d'IA généraliste pour aider à faire progresser la façon dont les robots peuvent apprendre de nouvelles compétences Google DeepMind affirme que les agents d'IA peuvent copier les humains pour se rapprocher de l'intelligence générale artificielle, grâce à un processus analogue à l'apprentissage social chez l'homme Google crée Google DeepMind, un nouveau groupe de recherche en IA, formé par la fusion de DeepMind et Brain 
