En principe, l’intelligence artificielle pourrait rendre la recherche du bon matériel pour un travail aussi simple que de commander un dîner : décrivez ce dont vous avez besoin dans un grand modèle de langage, et elle vous remettra un cristal conçu pour cette tâche. En pratique, ce scénario est resté hors de portée, car les modèles à l’origine des chatbots actuels n’ont jamais réellement vu à quoi ressemblent la plupart des matériaux.
Les chercheurs du MIT rapportent qu’ils ont pris des mesures concrètes pour résoudre ce problème. Dans un nouvel article publié dans Nature Communications, une équipe du Département de science et d'ingénierie des matériaux (DMSE) du MIT décrit un modèle d'IA multimodal qui combine des structures atomiques tridimensionnelles avec des descriptions en langage naturel, permettant au système de raisonner simultanément sur la géométrie des cristaux et le texte. Selon MIT News, le modèle identifie de meilleures conceptions de matériaux que les systèmes formés uniquement sur le texte en permettant à l'IA de voir les arrangements atomiques et les modèles de liaison qui déterminent le comportement des matériaux. Ce travail s'ajoute à une longue période de couverture de l'industrie de l'IA axée sur des modèles qui vont au-delà du texte et pénètrent dans le monde physique.
Pourquoi les modèles formés au texte trébuchent sur la matière
L’obstacle concerne fondamentalement les données. La plupart des matériaux sont cristallins : des arrangements tridimensionnels et périodiques d'atomes dont les structures sont stockées dans des formats informatiques spécialisés plutôt que dans des flux de texte sur lesquels de grands modèles de langage sont formés. En plus de cela, la littérature expérimentale est fortement biaisée en faveur de quelques classes populaires de cristaux, ce qui fausse les résultats de toute IA formée principalement sur des articles publiés.
Le résultat est un angle mort aux conséquences réelles. Plus de 90 % des matériaux solides sur Terre sont cristallins, et bon nombre des structures susceptibles d’être importantes pour les batteries, l’électronique ou les catalyseurs de nouvelle génération se trouvent dans des bases de données informatiques que les systèmes utilisant uniquement le langage ne peuvent effectivement pas lire.
Enseigner un modèle pour aligner la structure avec le langage
La réponse de l’équipe du MIT a été de construire ce qui est effectivement un modèle de langage de vision pour les cristaux. Les chercheurs ont formé un modèle de langage pour produire des descriptions textuelles de structures cristallines en utilisant l’apprentissage contrastif, une approche dans laquelle un modèle compare des exemples similaires et différents de structures et de descriptions jusqu’à ce qu’il développe une compréhension unifiée – un processus que le MIT compare à la façon dont le cerveau aligne ses régions visuelles et linguistiques.
Fondamentalement, l’équipe a choisi de synthétiser ses propres récits sur les matériaux plutôt que de s’appuyer uniquement sur des articles existants. S'appuyant sur la littérature de recherche expérimentale et sur des bases de données informatiques de principes fondamentaux, le modèle a généré de riches descriptions couvrant non seulement la composition et la structure chimiques, mais également les propriétés, les considérations de traitement et les applications potentielles.
"Nous voulions créer un modèle d'IA qui fonctionne largement sur tous les matériaux", a déclaré Ju Li, professeur Carl Richard Soderberg en génie électrique au MIT et auteur principal de l'article. "C'est pourquoi nous avons décidé de synthétiser les récits plutôt que de nous fier uniquement aux articles existants. Nous avons constaté que lorsque nous utilisions cet ensemble de données narratives, les modèles prédisaient mieux la fonction."
Le test : trouver des électrolytes de batterie à semi-conducteurs
Pour évaluer l'approche, les chercheurs ont comparé deux versions du modèle : l'une formée sur les descriptions structurelles générées par l'IA et l'autre uniquement sur le texte des articles de recherche. La version formée sur les descriptions synthétisées a réussi à aligner les structures géométriques avec le langage, contrairement à la version textuelle.
L’équipe a ensuite demandé au modèle d’identifier les matériaux cristallins adaptés aux électrolytes des batteries lithium-ion à l’état solide – un défi clé pour les batteries de nouvelle génération. Selon MIT News, les meilleurs résultats du modèle incluaient des matériaux qui avaient été identifiés de manière indépendante comme des candidats prometteurs, et le système a surpassé une référence de base uniquement textuelle lorsqu'on lui a répondu des requêtes en langage naturel décrivant une propriété et qu'on lui a demandé de trouver des cristaux possédant cette propriété.
"La structure est vraiment au cœur du domaine de la science des matériaux", a déclaré Li. "Si vous comprenez la structure, vous pouvez en déduire beaucoup de choses sur les propriétés et les performances des matériaux. Nous voulions établir le lien entre la structure atomique d'un matériau et ses propriétés et son traitement pour le modèle."
Où cela s'intègre-t-il dans la découverte de matériaux basée sur l'IA
Au cours de la dernière décennie, l’IA a déjà remodelé la manière dont les nouveaux cristaux sont proposés et conçus ; Cependant, la plupart de ces systèmes traitent les matériaux cristallins comme des graphiques tridimensionnels traités par des architectures spécialisées, distinctes des modèles de langage qui alimentent l'IA à usage général. En enseignant un modèle basé sur le langage pour percevoir directement la géométrie, les travaux du MIT orientent vers des assistants qui pourraient un jour traiter une demande de matériaux formulée de bout en bout dans un anglais simple.
L'équipe de recherche comprenait le premier auteur Yang Jeong Park, ancien postdoctorant du MIT, ainsi que Mayank Kumaran, récente diplômée en génie informatique de l'Université de l'Illinois à Urbana-Champaign, Chia-Wei Hsu, et Elsa Olivetti, professeur Jerry McAfee (1940) en ingénierie au MIT.
Ce qui vient ensuite
Le modèle reste un système de recherche et le MIT n’a annoncé aucune production. Mais les implications sont vastes : les électrolytes à l’état solide étaient un cas de test, et la même approche structure-langage pourrait s’appliquer aux catalyseurs, aux semi-conducteurs ou aux matériaux structurels. Si l’approche se généralise, le goulot d’étranglement dans la découverte de matériaux pourrait passer de la génération de cristaux candidats à leur validation en laboratoire – un changement que les expérimentateurs apprécieraient probablement.
---
Gardez une longueur d'avance sur l'IARecevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.
Lire plus d'actualités sur l'IA →
