Skip to main content

3 Déc, 2023

Le nouvel outil d’IA de Google DeepMind a contribué à la création de plus de 700 nouveaux matériaux

Le nouvel outil d’IA de Google DeepMind a contribué à la création de plus de 700 nouveaux matériaux

Les matériaux nouvellement découverts peuvent être utilisés pour améliorer les cellules solaires, les batteries, les puces électroniques, etc.

Qu’il s’agisse de batteries de véhicules électriques, de cellules solaires ou de puces électroniques, les nouveaux matériaux peuvent donner un coup de fouet aux percées technologiques. Mais pour les découvrir, il faut généralement des mois, voire des années, de recherche par essais et erreurs.

Google DeepMind espère changer cela grâce à un nouvel outil qui utilise l’apprentissage profond pour accélérer considérablement le processus de découverte de nouveaux matériaux. Baptisée « réseaux graphiques pour l’exploration des matériaux » (GNoME : graphical networks for material exploration), cette technologie a déjà été utilisée pour prédire 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. Cette technologie est décrite dans un article publié aujourd’hui dans la revue Nature.

Parallèlement à GNoME, le Lawrence Berkeley National Laboratory a également 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 Google DeepMind, ces avancées démontrent le potentiel de l’utilisation de l’IA pour accélérer la découverte et le développement de nouveaux matériaux.

L’entreprise a déjà utilisé son IA de repliement des protéines, AlphaFold, pour générer des structures pour le protéome humain, ainsi que pour la levure, la mouche des fruits, la souris, etc.

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, un système d’IA de DeepMind 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 421 000.

« Alors que les matériaux jouent un rôle essentiel dans presque toutes les technologies, l’humanité ne connaît que quelques dizaines de milliers de matériaux stables », a déclaré Dogus Cubuk, responsable de la découverte des matériaux chez Google DeepMind, lors d’une conférence de presse.

Pour découvrir de nouveaux matériaux, les scientifiques combinent des éléments du tableau périodique. Mais comme les combinaisons sont très nombreuses, il est inefficace de procéder à ce processus à l’aveuglette. Au lieu de cela, les chercheurs s’appuient sur les structures existantes, en y apportant de petites modifications dans l’espoir de découvrir de nouvelles combinaisons prometteuses. Toutefois, 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, 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 permet d’élargir considérablement l’éventail des possibilités.

Une fois les structures candidates générées, elles sont filtrées par les modèles GNoME de DeepMind. Ces modèles prédisent 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 cycle, GNoME a prédit la stabilité de différents matériaux avec une précision d’environ 5 %, mais celle-ci a augmenté rapidement tout au long du processus d’apprentissage itératif. Les résultats finaux montrent que GNoME est parvenu à prédire la stabilité des structures dans plus de 80 % des cas pour le premier modèle et dans 33 % des cas pour le second.

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, il a été formé sur un nombre de données supérieur d’au moins un ordre de grandeur à celui de tous les modèles précédents.

Yifei Mo, professeur agrégé de science et d’ingénierie des matériaux à l’université du Maryland, explique que la réalisation de calculs similaires était jusqu’à présent coûteuse et limitée en termes d’échelle. GNoME permet d’augmenter l’échelle de ces calculs avec une plus grande précision et un coût de calcul beaucoup plus faible, explique Yifei Mo : « L’impact peut être énorme. »

Une fois que de nouveaux matériaux ont été identifiés, il est tout aussi important de les synthétiser et de prouver leur utilité. Le nouveau laboratoire autonome du Berkeley Lab, baptisé A-Lab, a utilisé certaines des découvertes du GNoME avec les informations du Materials Project, en intégrant la robotique et l’apprentissage automatique pour optimiser le développement de ces matériaux.

Le laboratoire est capable de prendre ses propres décisions quant à la fabrication d’un matériau proposé et crée jusqu’à cinq formulations initiales. Ces formulations sont générées par un modèle d’apprentissage automatique formé à partir de la littérature scientifique existante. Après chaque expérience, le laboratoire utilise les résultats pour ajuster les recettes.

Selon les chercheurs du Berkeley Lab, 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 », a déclaré Kristin Persson lors d’une conférence de presse. La plupart des étudiants abandonnent après quelques semaines, a-t-elle ajouté. « Mais l’A-Lab n’a pas peur d’échouer. Il continue d’essayer et d’essayer. »

Les chercheurs de DeepMind et du Berkeley Lab affirment que ces nouveaux outils d’IA peuvent contribuer à accélérer l’innovation matérielle dans les domaines de l’énergie, de l’informatique et dans bien d’autres secteurs.

« Le matériel, en particulier lorsqu’il s’agit d’énergie propre, a besoin d’innovation si nous voulons résoudre la crise climatique », déclare Kristin Persson. « Il s’agit d’un aspect de l’accélération de cette innovation.« 

Chris Bartel, qui n’a pas participé à la recherche, estime que ces matériaux seront des candidats prometteurs pour les technologies couvrant les batteries, les puces électroniques, la céramique et l’électronique.

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. 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.

Cependant, même après la découverte de nouveaux matériaux, il faut généralement des décennies aux industries pour les amener au stade commercial. « Si nous pouvons réduire ce délai à cinq ans, ce sera une grande amélioration », conclut Dogus Cubuk.

https://www.technologyreview.com/2023/11/29/1084061/deepmind-ai-tool-for-new-materials-discovery/