Des chercheurs du MIT ont développé un cadre d’intelligence artificielle appelé CrysVCD qui améliore fortement le taux de stabilité chimique des matériaux conçus par ordinateur, ce qui pourrait faire économiser aux industriels et aux laboratoires de recherche d’importants coûts de calcul et du temps aujourd’hui consacrés à l’élimination des matériaux instables. Détaillé dans un article publié dans Nature Computational Science, l’outil veille à ce que les matériaux proposés respectent des règles fondamentales de chimie sur l’agencement des électrons avant le début du coûteux processus de génération, plutôt que de filtrer les échecs après coup.
Points clés sur CrysVCD
- CrysVCD signifie « crystal generator with valence-constrained design » et a été développé par des chercheurs du MIT issus de départements de science des matériaux, de chimie, de génie chimique, de physique et de sciences nucléaires.
- Le cadre associe un modèle de langage produisant des formules chimiquement valides à un modèle de diffusion générant la structure cristalline atomique correspondante.
- CrysVCD a atteint une forte stabilité de dynamique de réseau dans près de 70 % des générations computationnelles de matériaux, un test de stabilité exigeant.
- Après ajustement sur des métriques de stabilité, l’approche a produit des matériaux cristallins présentant 68 % de stabilité mécanique et 85 % de métastabilité.
- L’outil peut également cibler des propriétés précises, comme une forte conductivité thermique pour le refroidissement des centres de données ou une constante diélectrique élevée pour les puces informatiques.
Pourquoi la stabilité chimique a freiné les matériaux conçus par IA
Les modèles d’IA actuels peuvent générer des millions de nouveaux modèles de matériaux en quelques minutes, mais cela ne s’est pas traduit par une multiplication des nouveaux matériaux effectivement utilisés dans des produits tels que les puces informatiques et les fusées, car ces modèles ne prennent pas systématiquement en compte la stabilité chimique. Les matériaux instables ne sont pas utiles dans le monde réel, obligeant les industriels à consacrer d’importants budgets de calcul à leur élimination, parfois pour ne conserver qu’une très faible part d’options exploitables.
Mouyang Cheng, doctorant au MIT impliqué dans la recherche, a déclaré que la validation de la stabilité « a un coût computationnel énorme », l’estimant à environ 90 % du coût de calcul nécessaire pour créer des matériaux utilisables et soulignant que cela « peut prendre des semaines ou des mois ». Les grandes entreprises disposant de budgets informatiques élevés peuvent absorber ce coût, mais nombre de petites entreprises et de laboratoires de recherche ne le peuvent pas, ce qui peut limiter l’innovation dans ce domaine.
Comment CrysVCD améliore-t-il les modèles existants de génération de matériaux ?
CrysVCD vérifie que chaque matériau proposé respecte des règles essentielles de chimie liées aux électrons entourant ses atomes avant le début de l’étape coûteuse de génération, au lieu de filtrer les conceptions instables après coup. Il s’intègre dans un processus en deux étapes : un modèle de langage produit d’abord des formules chimiquement valides, puis un modèle de diffusion génère la structure atomique du cristal en coordination avec le modèle sous-jacent de génération de matériaux.
Le professeur associé Mingda Li a décrit le rôle de l’outil au moyen d’une analogie avec les médias : « Si les modèles de génération de matériaux sont comme des DVD, nous sommes comme le lecteur DVD. Vous pouvez le brancher à n’importe quel type de modèle, non seulement aux modèles de diffusion existants mais aussi aux futurs modèles, lorsque les gens ne peuvent pas générer assez de matériaux stables, et il peut améliorer la stabilité. » Le doctorant du MIT Weiliang Luo a observé que la génération habituelle de matériaux fondée sur la diffusion est lente, « comme 1 000 étapes pour créer un matériau », tandis que placer le modèle CrysVCD au début du processus peut être comparé à seulement « cinq étapes ». Hao Tang, récemment diplômé, a ajouté que ce filtrage précoce « permet d’écarter les matériaux instables afin de générer des matériaux de meilleure qualité » et qu’il « fonctionne avec tous les modèles générant des matériaux ».
Ce que cela signifie pour les chercheurs et les laboratoires universitaires
Heather Kulik, professeure Lammot du Pont de génie chimique au MIT, a déclaré que les groupes universitaires ayant moins de ressources que les grandes entreprises peuvent tout de même obtenir de solides résultats dans la découverte de matériaux « avec des conceptions plus intelligentes et d’autres approches », plutôt qu’en générant un très grand nombre de candidats avant de sélectionner ceux qui sont stables, une méthode qu’elle a jugée inefficace compte tenu de son coût de calcul élevé. En contraignant la génération par un modèle de langage dès le départ, elle a indiqué que les chercheurs « peuvent améliorer considérablement la proportion de matériaux stables générés ». Mingda Li a déclaré que l’approche « permettra d’économiser d’énormes coûts de calcul et du temps en supprimant les besoins de sélection en aval », au bénéfice des efforts à grande échelle générant des centaines de millions de matériaux comme des petits groupes de recherche visant des applications ciblées.
Cibler des propriétés de matériaux utiles dans le monde réel
Au-delà de la stabilité, les chercheurs ont utilisé CrysVCD pour générer des candidats présentant une forte conductivité thermique et une polarisation aisée dans un champ électrique, des propriétés pertinentes pour les semi-conducteurs et le refroidissement des centres de données. Ju Li, professeur Carl Richard Soderberg en ingénierie de l’énergie au MIT, a déclaré qu’il s’agit de « matériaux utiles à l’industrie des semi-conducteurs et de matériaux à forte conductivité thermique pertinents pour le refroidissement des centres de données », notant qu’environ 30 % de la consommation énergétique en forte hausse des centres de données est consacrée au refroidissement ; le secteur a donc besoin de matériaux capables d’évacuer la chaleur plus efficacement.
Cheng a déclaré que viser simultanément la stabilité et des objectifs de performance spécifiques est particulièrement exigeant : « Chaque fois que vous avez deux objectifs, atteindre ces objectifs avec un résultat supérieur à 50 % est difficile dans ce domaine. Par le passé, les gens pouvaient viser des propriétés spécifiques sans la stabilité, ou l’inverse, et obtenir un pourcentage à un chiffre de matériaux correspondant à leur objectif. » L’équipe précise que l’approche est la plus efficace pour les structures solides ayant des arrangements internes très ordonnés, plutôt que pour tous les types de matériaux.
Questions fréquentes
Qu’est-ce que CrysVCD ?
CrysVCD, abréviation de « crystal generator with valence-constrained design », est un cadre développé au MIT qui vérifie si les conceptions de matériaux générées par IA respectent des règles fondamentales de chimie relatives aux couches de valence avant l’exécution du processus complet de génération, améliorant ainsi les chances que les matériaux générés soient chimiquement stables.
Dans quelle mesure CrysVCD améliore-t-il les taux de stabilité des matériaux ?
CrysVCD a atteint une forte stabilité de dynamique de réseau dans près de 70 % des générations computationnelles de matériaux et, après ajustement sur des métriques de stabilité, a produit des matériaux cristallins avec 68 % de stabilité mécanique et 85 % de métastabilité, selon les chercheurs du MIT.
Qui a développé CrysVCD et où les travaux ont-ils été publiés ?
CrysVCD a été développé par une équipe de chercheurs du MIT, parmi lesquels Mingda Li, Mouyang Cheng, Weiliang Luo, Hao Tang, Bowen Yu, Ju Li et Heather Kulik, ainsi que Yongqiang Cheng de l’Oak Ridge National Laboratory et Weiwei Xie de la Michigan State University. Les travaux paraissent dans un article de Nature Computational Science.
Financement et prochaines étapes
La recherche a été soutenue en partie par le département américain de l’Énergie, une bourse Mathworks Engineering Fellowship, la National Science Foundation et la U.S. Defense Threat Reduction Agency. Les chercheurs indiquent que le cadre est conçu pour s’intégrer aux modèles existants fondés sur la diffusion ainsi qu’aux futurs modèles de génération de matériaux, le positionnant comme un outil général destiné à améliorer la stabilité dans l’ensemble du domaine plutôt que comme une solution ponctuelle liée à une seule architecture de modèle.
