GNOME : DeepMind ouvre une nouvelle ère dans la recherche sur les matériaux cristallins grâce au deep learning

La synthèse des cristaux joue un rôle fondamental dans divers domaines, de l’électronique à la photonique, en passant par la catalyse et la médecine, constituant ainsi la base des technologies modernes. Une percée majeure dans ce domaine a été partagée par Google DeepMind dans la revue Nature, mettant en lumière l’outil d’IA révolutionnaire GNoME. Basé sur le deep learning, il a permis la découverte de 2,2 millions de nouveaux cristaux, dont 380 000 sont considérés comme stables et prometteurs pour des applications technologiques futures. Cette avancée équivaut à près de 800 ans de connaissances cumulées, marquant ainsi une étape significative dans la recherche sur les matériaux cristallins.

Avec GNoME (Graph Networks for Materials Exploration), l’équipe de Google DeepMind démontre le potentiel de l’utilisation de l’IA pour découvrir et développer de nouveaux matériaux à grande échelle.

GNoME : une révolution dans la découverte de matériaux

Dans le passé, la découverte de nouvelles structures cristallines était un processus laborieux et coûteux, impliquant la modification de cristaux existants ou l’expérimentation avec de nouvelles combinaisons d’éléments. Ce processus d’essais et d’erreurs pouvait prendre des mois pour produire des résultats, souvent limités. Au cours de la dernière décennie, les approches informatiques, notamment celles menées par le Materials Project et d’autres groupes, ont permis de découvrir 28 000 nouveaux matériaux.

Cependant, celles-ci ont jusqu’à présent rencontré une limitation fondamentale : la difficulté à prédire avec précision quels matériaux pourraient être expérimentalement viables, représentant ainsi un défi dans la recherche et le développement de nouveaux matériaux.

Les cristaux stables découverts par GNoME ont le potentiel de transformer divers secteurs technologiques. Parmi les applications possibles, on trouve des supraconducteurs, des alimentations pour superordinateurs, et des batteries de nouvelle génération améliorant l’efficacité des véhicules électriques. La découverte de 52 000 composés similaires au graphène offre ainsi des perspectives prometteuses pour l’électronique, tandis que la mise en évidence de 528 conducteurs lithium-ion potentiels pourrait révolutionner les batteries rechargeables.

Fonctionnement du modèle de réseau neuronal GNoME

Les données d’entrée des GNN se présentent sous la forme d’un graphique qui peut être comparé à des connexions entre atomes, ce qui fait que GNoME est tout à fait adapté à la découverte de nouveaux matériaux cristallins.

Entraîné dans un premier temps avec des données sur les structures cristallines et leur stabilité, librement accessibles dans le cadre du projet Materials, il utilise deux pipelines distincts : l’un basé sur des structures similaires à des cristaux connus, et l’autre sur des formules chimiques, ce qui permet une exploration exhaustive. Un processus d’apprentissage actif a ensuite considérablement amélioré les performances de GNoME , augmentant le taux de découverte de la stabilité des matériaux de 50 % à 80 %.

L’efficacité du modèle a ainsi fait passer le taux de découverte des approches précédentes de moins de 10 % à plus de 80 %.

Crédit DeepMind GNoME utilise deux pipelines pour découvrir des matériaux (stables) à faible consommation d’énergie. Le pipeline structurel crée des candidats avec des structures similaires à des cristaux connus, tandis que le pipeline compositionnel suit une approche plus aléatoire basée sur des formules chimiques. Les résultats des deux pipelines sont évalués à l’aide de calculs établis de la théorie de la fonctionnelle de la densité et ces résultats sont ajoutés à la base de données GNoME, informant le prochain cycle d’apprentissage actif.

Ces résultats ont été validés par des expériences indépendantes réalisées par des chercheurs du monde entier : GNoMe a permis la découverte de 736 nouveaux matériaux dans des laboratoires externes, ce qui démontre la fiabilité de ses prédictions. En partenariat avec l’équipe, des chercheurs du Lawrence Berkeley National Laboratory a démontré la possibilité de synthétiser autonomement de nouveaux matériaux en utilisant les prédictions d’IA.

Pour les chercheurs :

“Le développement rapide de nouvelles technologies basées sur ces cristaux dépendra de la capacité à les fabriquer. Dans un article dirigé par nos collaborateurs du Berkeley Lab, des chercheurs ont montré qu’un laboratoire robotique pouvait rapidement fabriquer de nouveaux matériaux grâce à des techniques de synthèse automatisées. À l’aide des matériaux du projet Materials et des connaissances sur la stabilité du GNoME, le laboratoire autonome a créé de nouvelles recettes pour les structures cristallines et a synthétisé avec succès plus de 41 nouveaux matériaux, ouvrant de nouvelles possibilités pour la synthèse de matériaux basée sur l’IA”.

Ils ont mis les données et prédictions de GNoME à la disposition de la communauté mondiale de chercheurs, favorisant la recherche collaborative et ouvrant la voie à de nouvelles découvertes.

Références de l’article : blog DeepMind rédigé par Amil Merchant et Ekin Dogus Cubuk

Retrouver l’article de recherche ici

Recevez gratuitement l'actualité de l'intelligence artificielle

Suivez la Newsletter de référence sur l'intelligence artificielle (+ de 18 000 membres), quotidienne et 100% gratuite.


Tout comme vous, nous n'apprécions pas le spam. Vos coordonnées ne seront transmises à aucun tiers.
Partager l'article
intelligence artificielle
À PROPOS DE NOUS
Le portail francophone consacré à l'intelligence artificielle et à la datascience, à destination des chercheurs, étudiants, professionnels et passionnés.