Utiliser l’IA générative pour aider les scientifiques à synthétiser des matériaux complexes

Zach Winn

Les modèles d’IA générative ont été utilisés pour créer d’énormes bibliothèques de matériaux théoriques qui pourraient aider à résoudre toutes sortes de problèmes. Maintenant, les scientifiques doivent juste comprendre comment les fabriquer.

Dans de nombreux cas, la synthèse de matériaux n’est pas aussi simple que de suivre une recette de cuisine. Des facteurs comme la température et la durée du traitement peuvent entraîner des changements considérables dans les propriétés d’un matériau, qui font ou défont ses performances. Cela a limité la capacité des chercheurs à tester des millions de matériaux prometteurs générés par les modèles.

Désormais, des chercheurs du MIT ont créé un modèle d’IA qui guide les scientifiques tout au long du processus de fabrication des matériaux en suggérant des voies de synthèse prometteuses. Dans un nouvel article, ils ont montré que le modèle offre une précision de pointe pour prédire des voies de synthèse efficaces pour une classe de matériaux appelés zéolites, qui pourraient être utilisés pour améliorer les processus de catalyse, d’absorption et d’échange d’ions. En suivant ses suggestions, l’équipe a synthétisé un nouveau matériau zéolitique qui a montré une stabilité thermique améliorée. 

Les chercheurs pensent que leur nouveau modèle pourrait briser le plus grand goulot d’étranglement dans le processus de découverte de matériaux.

« Pour utiliser une analogie, nous savons quel genre de gâteau nous voulons faire, mais pour l’instant nous ne savons pas comment le cuire », indique l’auteur principal Elton Pan, doctorant au Département de science et génie des matériaux (DMSE) du MIT. « La synthèse de matériaux se fait actuellement par l’expertise du domaine et par essais et erreurs. »

Apprendre à cuisiner

D’importants investissements dans l’IA générative ont conduit des entreprises comme Google et Meta à créer d’énormes bases de données remplies de recettes de matériaux qui, du moins théoriquement, possèdent des propriétés comme une haute stabilité thermique et une absorption sélective des gaz. Mais fabriquer ces matériaux peut nécessiter des semaines ou des mois d’expériences minutieuses qui testent des températures de réaction spécifiques, des durées, des ratios de précurseurs et d’autres facteurs.

« Les gens comptent sur leur intuition chimique pour guider le processus », explique t-il. « Les humains sont linéaires. S’il y a cinq paramètres, nous pourrions en garder quatre constants et en faire varier un de manière linéaire. Mais les machines sont bien meilleures pour raisonner dans un espace à haute dimension. »

Le processus de synthèse de la découverte de matériaux prend désormais souvent le plus de temps dans le parcours d’un matériau de la théorie à l’utilisation.

Pour aider les scientifiques à naviguer dans ce processus, les chercheurs du MIT ont entraîné un modèle d’IA générative sur plus de 23 000 recettes de synthèse de matériaux décrites sur plus de 50 ans d’articles scientifiques. Les chercheurs ont ajouté itérativement du « bruit » aléatoire aux recettes pendant l’entraînement, et le modèle a appris à débruiter et à échantillonner à partir du bruit aléatoire pour trouver des voies de synthèse prometteuses.

Le résultat est DiffSyn, qui utilise une approche en IA connue sous le nom de diffusion.

« Les modèles de diffusion sont essentiellement un modèle d’IA générative comme ChatGPT, mais plus proche du modèle de génération d’images DALL-E », ajoute Elton Pan. « Pendant l’inférence, il convertit le bruit en une structure significative en soustrayant un peu de bruit à chaque étape. Dans ce cas, la ‘structure’ est la voie de synthèse pour un matériau souhaité. »

Lorsqu’un scientifique utilisant DiffSyn entre une structure de matériau souhaitée, le modèle propose quelques combinaisons prometteuses de températures de réaction, de temps de réaction, de ratios de précurseurs, et plus encore.

« Il vous dit essentiellement comment cuire votre gâteau », précise encore le scientifique. « Vous avez un gâteau en tête, vous le donnez au modèle, le modèle vous sort les recettes de synthèse. Le scientifique peut choisir la voie de synthèse qu’il veut, et il existe des moyens simples de quantifier la voie de synthèse la plus prometteuse à partir de ce que nous fournissons, ce que nous montrons dans notre article. »

Pour tester leur système, les chercheurs ont utilisé DiffSyn pour suggérer de nouvelles voies de synthèse pour une zéolite, une classe de matériaux complexe qui prend du temps à se former en un matériau testable.

« Les zéolites ont un espace de synthèse de très haute dimension », dit-il. « Les zéolites ont également tendance à mettre des jours ou des semaines à cristalliser, donc l’impact [de trouver la meilleure voie de synthèse plus rapidement] est bien plus élevé que pour d’autres matériaux qui cristallisent en quelques heures. »

Les chercheurs ont pu fabriquer le nouveau matériau zéolitique en utilisant les voies de synthèse suggérées par DiffSyn. Des tests ultérieurs ont révélé que le matériau avait une morphologie prometteuse pour des applications catalytiques. 

« Les scientifiques ont testé différentes recettes de synthèse une par une », détaille Pan. « Cela les rend très longues. Ce modèle peut en échantillonner 1 000 en moins d’une minute. Il vous donne une très bonne estimation initiale des recettes de synthèse pour des matériaux complètement nouveaux. »

Tenir compte de la complexité

Auparavant, des chercheurs avaient construit des modèles d’apprentissage automatique qui associaient un matériau à une seule recette. Ces approches ne tiennent pas compte du fait qu’il existe différentes façons de fabriquer le même matériau.

DiffSyn est entraîné à associer des structures de matériaux à de nombreuses voies de synthèse possibles. Pan affirme que cela correspond mieux à la réalité expérimentale.

« C’est un changement de paradigme qui passe d’une cartographie un-à-un entre la structure et la synthèse à une cartographie un-à-plusieurs », dit le chercheur. « C’est une grande raison pour laquelle nous avons obtenu de solides gains sur les points de référence. »

À l’avenir, les chercheurs pensent que l’approche devrait fonctionner pour entraîner d’autres modèles qui guident la synthèse de matériaux autres que les zéolites, y compris les réseaux métallo-organiques, les solides inorganiques et d’autres matériaux qui ont plus d’une voie de synthèse possible.

« Cette approche pourrait être étendue à d’autres matériaux », conclut Elton Pan. « Pour l’instant, le goulot d’étranglement est de trouver des données de haute qualité pour différentes classes de matériaux. Mais les zéolites sont complexes, donc j’imagine qu’elles sont proches de la limite supérieure de difficulté. Finalement, l’objectif serait d’interfacer ces systèmes intelligents avec des expériences autonomes dans le monde réel, et un raisonnement agentique sur la rétroaction expérimentale pour accélérer considérablement le processus de conception des matériaux. »

L’article décrivant ce travail paraîtra dans Nature Computational Science. Aux côtés de Pan sur l’article figurent Soonhyoung Kwon ’20, PhD ’24 ; le postdoctoral du DMSE Sulin Liu ; l’étudiant en doctorat de génie chimique Mingrou Xie ; le postdoctoral du DMSE Alexander J. Hoffman ; l’assistant de recherche Yifei Duan SM ’25 ; l’étudiant visiteur du DMSE Thorben Prein ; le candidat au doctorat du DMSE Killian Sheriff ; le professeur Robert T. Haslam en génie chimique du MIT Yuriy Roman-Leshkov ; le professeur de l’Université polytechnique de Valence Manuel Moliner ; le professeur Paul M. Cook Career Development du MIT Rafael Gómez-Bombarelli ; et le professeur Jerry McAfee en ingénierie du MIT Elsa Olivetti.

Article : “DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning” – Journal : Nature Computational Science