Quand la recherche fait appel à l’IA pour élaborer de nouveaux matériaux

Loin des polémiques liées à l’utilisation des IA génératives comme ChatGPT, l’IA est déjà utilisée par le monde de la recherche, notamment pour exploiter les immenses volumes de données déjà présentes dans les travaux précédents. L’éditeur Elsevier vient même de lancer Scopus AI, un nouvel outil qui assiste les scientifiques dans leur recherche documentaire et leur permet d’obtenir une vue d’ensemble sur un sujet.

L’IA : un accélérateur de recherche et d’innovation

Les nouveaux outils basés sur l’IA semblent être de véritables boosters de recherche et d’innovation et la liste des domaines d’application semble infinie, car il s’agit avant tout de développer de nouvelles méthodes de travail !

Cette thématique a d’ailleurs déjà été abordée à plusieurs reprises dans le Magazine d’Actualité, pour des usages multiples.

• Identifier les effets toxiques de substances chimiques.
• Un chimiste artificiel.
• Biomimétisme et métamatériaux.

Dans la suite de cet article, nous explorerons quelques applications de l’IA en science des matériaux.

Azure Quantum Elements : l’IA de Microsoft utilisée pour élaborer un nouvel électrolyte solide pour batterie

Les chercheurs du Pacific Northwest National Laboratory (PNNL) de Richland, aux États-Unis, se sont tournés vers la solution Azure Quantum Elements de Microsoft pour accélérer la recherche de l’électrolyte solide idéal.

Ce nouvel outil de Microsoft, lancé en juin 2023, met l’intelligence artificielle et le cloud computing au service de la recherche, dans le but d’obtenir des résultats rapides, en quelques semaines, au lieu de plusieurs années.

Comme nous vous l’expliquions dans cet autre article, grâce à cet outil révolutionnaire, les chercheurs du PNNL ont pu sélectionner 18 candidats prometteurs parmi 32 millions de possibilités, un tri qui a nécessité à peine 80 heures, grâce au calcul quantique.

Par ailleurs, les outils de Microsoft étant formés à la chimie d’une manière générale, ils sont utilisables pour accélérer n’importe quel type de recherche sur les matériaux.

Un modèle de machine learning pour élaborer des aimants permanents sans éléments critiques

Toujours aux USA, une équipe de chercheurs du Ames National Laboratory a utilisé un algorithme d’apprentissage automatique pour prédire la structure cristalline et les propriétés magnétiques de millions de composés hypothétiques, en se basant sur leur formule chimique et des règles empiriques.

L’idée était d’entraîner l’IA à partir de données expérimentales et théoriques, dans le but de trouver des composés ayant une température de Curie élevée, une première étape dans la découverte de matériaux capables de conserver des propriétés magnétiques à des températures élevées.

Pour tester le modèle, l’équipe a utilisé des composés à base de cérium, de zirconium et de fer, c’est-à-dire des éléments terrestres abondants, dans le but d’axer la recherche sur des matériaux magnétiques à la fois performants et économiquement viables.

Une méthode de travail guidée par l’IA pour accélérer la découverte de matériaux thermoélectriques plus performants

De leur côté, des chercheurs du Laboratoire NOMAD à l’Institut Fritz Haber de la Société Max Planck, en Allemagne, viennent de proposer un processus de travail guidé par l’IA. Ils ont utilisé cette approche pour identifier plus de 50 isolants thermiques prometteurs, des matériaux essentiels pour la fabrication d’éléments thermoélectriques performants.

Une méthode plus précise pour accélérer la conception d’alliages résistants à la corrosion avec l’apprentissage automatique

Des chercheurs d’un autre institut de la Société Max Planck utilisent les modèles d’IA dans le but de prévoir le comportement en corrosion et suggérer des formules d’alliages optimales. Ils viennent de mettre au point un modèle d’apprentissage automatique qui améliore de 15 % la précision prédictive.

Le modèle se distingue par la fusion de données numériques et textuelles. Par ailleurs, il est polyvalent et peut être étendu à toutes les propriétés des alliages.

Comprendre les dislocations des matériaux polycristallins grâce à l’IA

Enfin, au Japon, des chercheurs de l’Université de Nagoya utilisent l’IA pour étudier les petits défauts des matériaux polycristallins, largement utilisés en électronique et dans les cellules solaires.

Ces petits défauts, appelés dislocations, sont problématiques, car leur présence perturbe la disposition régulière des atomes dans le réseau, ce qui affecte la conduction électrique et les performances globales.

Ils ont donc utilisé l’IA pour créer un modèle 3D virtuel, ce qui les a aidés à identifier les zones où les groupes de dislocations affectaient les performances du matériau. À terme, cette méthode pourrait donc aider à améliorer les propriétés des matériaux polycristallins avec un impact potentiel dans de nombreux domaines.

Ces quelques travaux ne sont que des exemples, mais ils ont un point commun : ils ont tous été publiés en 2023. Compte tenu des enjeux et des possibilités offertes par l’IA, il est certain que les études de ce type vont se multiplier. Dotée de tels outils, il est probable que la recherche sur les matériaux s’accélère fortement dans les années à venir !