L'IA du MIT apprend à « voir » les cristaux en 3D

Demandez aux grands modèles de langage actuels un matériau adapté à une batterie, et ils répondent à partir du seul texte, sans aucune image des atomes en jeu. Une équipe du MIT a mis au point un modèle destiné à combler cet écart. Dans un article paru dans Nature Communications, les chercheurs décrivent un système auquel on montre l'agencement tridimensionnel des atomes d'un cristal, et qui apprend à le décrire par des mots. Il identifie de meilleures conceptions de matériaux que les modèles entraînés sur le texte seul.

La plupart des matériaux solides présents sur Terre sont des cristaux, c'est-à-dire que leurs atomes s'organisent selon des motifs tridimensionnels très ordonnés et répétitifs, et plus de 90 % des matériaux solides relèvent de cette catégorie. Les grands modèles de langage apprennent toutefois surtout à partir d'articles scientifiques publiés et de livres, alors que de nombreuses structures cristallines possibles n'existent que dans des bases de données de calcul. La littérature expérimentale se concentre en outre fortement sur quelques grandes familles de cristaux, si bien que les résultats produits par l'IA tendent à privilégier ces mêmes matériaux. La réponse de l'équipe du MIT consiste à associer chaque structure à une description riche couvrant la composition, les propriétés, la mise en œuvre et les usages possibles, puis à entraîner le modèle par apprentissage contrastif : il compare des paires de structures et de textes correspondantes ou non, jusqu'à ce que les deux s'alignent.

La comparaison avec une version entraînée sur le seul texte constitue le test le plus net de l'article. Les chercheurs ont entraîné deux modèles, l'un sur des descriptions générées par IA, l'autre sur le texte des seuls articles. Seul le premier a appris à aligner les structures géométriques avec le texte. Interrogé sur des matériaux pour les électrolytes solides des batteries lithium-ion, le modèle a fait figurer parmi ses meilleurs résultats des matériaux que d'autres chercheurs avaient identifiés, indépendamment, comme des candidats prometteurs. Questionné en langage naturel sur une propriété, il a identifié les matériaux cristallins présentant cette propriété et a surpassé un modèle de référence. Ju Li, professeur au MIT qui dirige les travaux, le compare à AlphaFold, le modèle qui a relié les structures des protéines à leur fonction et contribué aux progrès de la recherche biologique et du développement de médicaments.

Pour les spécialistes des matériaux, le changement immédiat tient à une recherche qui part de la propriété recherchée, et non d'un composé déjà connu. Un chercheur à la recherche d'un meilleur électrolyte solide pourrait décrire le comportement souhaité et recevoir des candidats à examiner, une tâche qui dépend aujourd'hui de la lecture d'articles et de la réalisation d'expériences. Olivetti, l'un des auteurs, résume l'espoir sans détour : « J'espère que cela pourra être l'une de ces ruptures majeures. » Les chercheurs s'attendent à ce que l'approche fonctionne pour de nombreux matériaux cristallins, et espèrent que d'autres scientifiques l'utiliseront. Les résultats rapportés sont ceux de l'équipe elle-même, et aucune date n'a été communiquée pour une version que d'autres laboratoires pourraient utiliser.