Un groupe dirigé par des chercheurs de l’organisation de raisonnement informatisé basée à Londres DeepMind a favorisé un modèle d’IA qui recommande les attributs d’un atome en prévoyant l’appropriation des électrons à l’intérieur de celui-ci. La méthodologie, présentée dans le numéro du 10 décembre de Science1, permet de déterminer les propriétés de certaines particules plus précisément que les stratégies existantes.
“Le rendre aussi précis qu’ils l’ont fait est un accomplissement”, déclare Anatole von Lilienfeld, chercheur en matériaux à l’Ubniversité de Vienne.
L’article est “un travail solide”, déclare Katarzyna Pernal, physicienne computationnelle à l’Université de technologie de Lodz en Pologne. Pourtant, elle ajoute que le modèle d’IA a encore beaucoup de chemin à parcourir avant qu’il puisse très bien être précieux pour les physiciens computationnels.
Prévoir des propriétés
À un niveau fondamental, la conception des matériaux et des atomes est entièrement contrôlée par la mécanique quantique, et explicitement par la condition de Schrödinger, qui gère la conduite des fonctions d’onde des électrons. Ce sont les engins numériques qui décrivent la probabilité de traquer un électron spécifique dans une situation spécifique dans l’espace. Mais étant donné que chacun des électrons se connecte les uns aux autres, l’élaboration de la conception ou des orbitales subatomiques à partir de ces premières normes est un mauvais rêve informatique, et devrait être possible uniquement pour les particules les moins difficiles, comme le benzène, déclare James Kirkpatrick, un physicien chez DeepMind.
L’intelligence artificielle peut-elle fabriquer le matériau miracle suivant ?
Pour contourner ce problème, les analystes – des pharmacologues aux ingénieurs de batteries – dont le travail dépend de la découverte ou de la croissance de nouveaux atomes ont pendant très longtemps dépendu d’un ensemble de stratégies appelées hypothèse d’épaisseur utile (DFT) pour prévoir les propriétés réelles des particules. L’hypothèse ne cherche pas à afficher des électrons individuels, mais prévoit plutôt de vérifier le transport général de la charge électrique négative des électrons à travers la particule. “DFT jette un coup d’œil à l’épaisseur de charge normale, de sorte qu’il n’a pas la moindre idée de ce que sont les électrons individuels”, explique Kirkpatrick. La plupart des propriétés d’émission pourraient alors être déterminées efficacement à partir de cette épaisseur.
Depuis ses débuts dans les années 1960, la DFT est probablement devenue la méthode la plus largement utilisée dans la science actuelle : un examen par le groupe de presse Nature’s en 2014 a révélé que, sur les 100 articles les plus cités, 12 concernaient la DFT. Les ensembles de données actuels sur les propriétés des matériaux, par exemple, le Materials Project, comprennent généralement des calculs DFT.
Cependant, la méthodologie a des restrictions et est connue pour donner des résultats inacceptables pour des types spécifiques de particules, même certaines aussi basiques que le chlorure de sodium. De plus, malgré le fait que les calculs DFT soient infiniment plus efficaces que ceux qui partent d’hypothèses quantiques essentielles, ils sont encore volumineux et nécessitent régulièrement des supercalculateurs. Ainsi, au cours de la décennie précédente, des scientifiques hypothétiques ont progressivement commencé à explorer différentes pistes concernant l’IA, en particulier pour se concentrer sur des propriétés, par exemple, la réactivité synthétique des matériaux ou leur capacité à diriger la chaleur.
Problème optimal
Le groupe DeepMind a probablement fait l’effort le plus désireux à ce jour d’envoyer l’IA pour déterminer l’épaisseur des électrons, le résultat des calculs DFT. “C’est en quelque sorte le problème idéal pour l’IA : vous connaissez la réponse appropriée, mais pas la recette que vous devez appliquer”, explique Aron Cohen, un physicien hypothétique qui a depuis longtemps traité DFT et qui est actuellement chez DeepMind.
L’IA de DeepMind déroule la science des grappes
Le groupe a préparé une organisation neuronale contrefaite sur les informations de 1 161 arrangements précis obtenus à partir des conditions de Schrödinger. Pour développer davantage l’exactitude, ils ont également câblé une partie des lois connues de la science physique dans l’organisation. Ils ont ensuite, à ce stade, essayé le cadre préparé sur un tas d’atomes qui sont fréquemment utilisés comme référence pour la DFT, et les résultats ont été remarquables, a déclaré von Lilienfeld. “C’est le meilleur que la région ait trouvé pour concocter, et ils l’ont battu d’un bord”, dit-il.
L’un des avantages de l’IA, ajoute von Lilienfeld, est qu’en dépit du fait qu’il faut énormément de capacité de calcul pour préparer les modèles, cette interaction ne doit être effectuée qu’une seule fois. Les prévisions individuelles devraient alors être possibles sur un PC standard, diminuant de manière inconcevable leur coût et leur empreinte carbone, par opposition à devoir exécuter les calculs sans aucune préparation sans faute.
Kirkpatrick et Cohen disent que DeepMind fournit leur cadre préparé pour que tout le monde puisse l’utiliser. Pour le moment, le modèle s’applique généralement aux atomes et non aux constructions en pierres précieuses des matériaux, mais les futures interprétations pourraient également fonctionner pour les matériaux, selon les créateurs.