Matériaux : une IA prédit des propriétés complexes à partir de peu de données

Découvrir un nouveau matériau ne consiste pas seulement à trouver une composition chimique prometteuse. Il faut aussi déterminer comment ce matériau conduira l’électricité, résistera à une contrainte, stockera l’énergie ou réagira dans un environnement donné. Or, obtenir ces informations par l’expérience ou par des calculs détaillés prend du temps et coûte cher. Publiés en décembre 2024, les travaux de chercheurs de l’Indian Institute of Science, en Inde, et de l’University College London montrent comment l’apprentissage automatique peut rester utile lorsque les données disponibles sont rares.

L’équipe, dont fait partie Sai Gautam Gopalakrishnan, s’intéresse à une difficulté centrale de l’IA pour les matériaux : les modèles les plus performants ont souvent besoin de très nombreux exemples, alors que certaines propriétés sont justement difficiles à mesurer. Leur piste consiste à faire apprendre au modèle des connaissances générales sur de nombreux matériaux, avant de l’adapter à la propriété précise recherchée. Cette technique, appelée apprentissage par transfert, améliore les prédictions par rapport à un entraînement conventionnel dans les cas étudiés.

Pourquoi les données sont-elles rares en science des matériaux ?

Les matériaux sont décrits par de multiples paramètres : nature et position des atomes, structure cristalline, stabilité, réponse électrique ou comportement mécanique. Parmi les propriétés que les chercheurs cherchent à estimer figurent les écarts de bande électroniques, les énergies de formation et les caractéristiques mécaniques.

L’écart de bande, aussi appelé bande interdite, désigne une différence d’énergie qui influence la manière dont un solide conduit l’électricité. C’est un paramètre déterminant pour des composants électroniques et les semi-conducteurs. L’énergie de formation renseigne, elle, sur la stabilité d’une structure. D’autres propriétés, comme la constante diélectrique ou le coefficient piézoélectrique, aident à prévoir la réponse d’un matériau à un champ électrique ou à une contrainte mécanique.

Le problème est que ces valeurs ne se collectent pas aussi simplement que des images sur Internet. Elles peuvent nécessiter des expériences délicates, des équipements spécialisés ou de lourdes simulations. Un laboratoire peut donc disposer d’un petit jeu de données précisément pour la caractéristique qui l’intéresse, sans avoir assez d’exemples pour entraîner de zéro un grand modèle statistique fiable.

L’ambition de l’apprentissage automatique est ainsi d’accélérer la phase d’exploration. Au lieu de tester sans distinction un immense nombre de compositions et de structures, les chercheurs peuvent demander au modèle d’identifier celles qui ont le plus de chances de posséder la propriété visée. La qualité de cette sélection dépend toutefois de la façon dont le modèle représente le matériau et de ce qu’il a appris auparavant.

Comment un réseau de neurones représente-t-il un cristal ?

Les chercheurs ont travaillé avec des réseaux de neurones graphiques, souvent désignés par le sigle anglais GNN. Cette famille de modèles est adaptée aux objets qui se décrivent sous la forme d’un graphe, c’est-à-dire d’un ensemble de nœuds reliés entre eux. Une structure cristalline se prête naturellement à cette représentation : les atomes constituent les nœuds, tandis que leurs liaisons constituent les connexions.

Cette approche évite de traiter un matériau comme une simple liste de ses éléments chimiques. Deux solides peuvent contenir les mêmes éléments tout en ayant des propriétés très différentes parce que leurs atomes ne sont pas organisés de la même manière. En parcourant les connexions du graphe couche après couche, le réseau peut associer la nature des atomes, leur voisinage et la structure globale à une propriété mesurée ou calculée.

Le principe rappelle, sur certains aspects, les réseaux utilisés pour analyser des images. Dans ce cas, les premières couches extraient des motifs élémentaires, tels que des contours ou des formes, puis les couches suivantes les combinent pour reconnaître des éléments plus complexes. Pour les matériaux, le modèle apprend plutôt des motifs liés aux atomes et à leur agencement.

La conception de l’architecture compte beaucoup. Le nombre de couches du GNN et la façon dont elles sont reliées déterminent la quantité d’information structurale que le modèle peut intégrer. Une architecture mal adaptée peut manquer des relations importantes ou, au contraire, devenir difficile à entraîner. L’équipe a donc cherché une stratégie optimale avant la phase d’adaptation à des données limitées.

L’apprentissage par transfert, apprendre avant de se spécialiser

L’idée de l’apprentissage par transfert est de ne pas partir d’une page blanche pour chaque nouvelle question. Le modèle est d’abord pré-entraîné à partir d’un ensemble de données plus vaste. Il développe alors une compréhension générale des structures et des propriétés des matériaux. Il est ensuite ajusté, ou affiné, à l’aide d’un jeu de données plus petit portant sur la tâche cible.

Sai Gautam Gopalakrishnan résume ce mécanisme par une comparaison : « Le modèle apprend d’abord à classifier des images, puis s’adapte à une tâche précise. » Dans le domaine des matériaux, l’analogie signifie qu’un modèle ayant déjà appris des régularités utiles sur un grand nombre de cristaux peut les mobiliser lorsqu’il doit estimer une nouvelle propriété, même avec peu d’exemples directs.

Les chercheurs ont aussi étudié quelles parties du modèle devaient être modifiées lors de cette adaptation. Certaines couches peuvent être ajustées aux nouvelles données, tandis que d’autres sont gelées, c’est-à-dire conservées telles qu’elles ont été apprises pendant le pré-entraînement. Ce choix limite les difficultés de l’entraînement ultérieur et permet de préserver les représentations générales déjà acquises.

Dans les expériences rapportées, le modèle pré-entraîné reçoit notamment des informations telles que la constante diélectrique et l’énergie de formation afin de prédire une valeur ciblée, comme le coefficient piézoélectrique. Les résultats indiquent que cette méthode de transfert surpasse nettement les modèles entraînés de façon conventionnelle.

Le pré-entraînement sur plusieurs propriétés à la fois

L’étude ne se limite pas à transférer l’apprentissage d’une seule tâche vers une autre. L’équipe a mis en place un cadre nommé Multi-property Pre-Training, ou MPT. Son principe est de pré-entraîner simultanément le modèle sur sept propriétés différentes de matériaux en trois dimensions.

Cette stratégie est importante car les propriétés d’un matériau ne sont pas indépendantes les unes des autres. Une structure atomique qui influence sa stabilité peut également être pertinente pour comprendre sa réponse électrique ou mécanique. En demandant au modèle de traiter plusieurs objectifs durant son apprentissage initial, les chercheurs cherchent à construire une représentation plus générale du matériau.

Le résultat le plus marquant concerne les matériaux en deux dimensions. Le modèle MPT a été capable de prédire leurs écarts de bande sans avoir été préalablement entraîné sur des matériaux de cette dimension. Cela ne signifie pas que toutes les prédictions peuvent être généralisées sans contrôle d’un type de matériau à l’autre. Mais ce résultat illustre la capacité du pré-entraînement à transmettre des connaissances entre des catégories de structures différentes.

Des applications possibles pour les batteries et les semi-conducteurs

Les chercheurs utilisent désormais ce modèle pour anticiper la vitesse à laquelle les ions se déplacent dans les électrodes de batteries. La circulation des ions est un paramètre important pour le fonctionnement des dispositifs de stockage d’énergie. Pouvoir repérer plus efficacement des matériaux favorables pourrait donc contribuer à la recherche sur de meilleures batteries.

L’autre champ d’application évoqué concerne les semi-conducteurs. Lors de leur fabrication, des défauts ponctuels peuvent apparaître dans le cristal. Ces imperfections, parfois réduites à l’échelle de quelques atomes, peuvent modifier le comportement électrique du matériau. Le modèle pourrait aider à prédire la propension d’un semi-conducteur à former de tels défauts et, ainsi, à affiner les choix de matériaux ou de procédés.

Ces pistes montrent l’intérêt pratique de la méthode : l’IA ne fabrique pas elle-même une batterie ou une puce, mais elle peut réduire le nombre de candidats à examiner. Dans des domaines où chaque mesure et chaque simulation représentent un investissement, ce filtrage peut raccourcir le chemin entre une hypothèse scientifique et une validation en laboratoire.

Ce que la méthode ne dispense pas de vérifier

Le recours à l’apprentissage automatique ne supprime pas les contraintes de la recherche expérimentale. Un modèle prédit à partir des exemples qu’il a reçus et de la représentation qu’il s’est construite. Si les données initiales sont insuffisantes, biaisées ou peu représentatives des matériaux réellement visés, les résultats peuvent être moins fiables hors de son domaine d’apprentissage.

Le passage d’un matériau théorique à un matériau fabriqué est également une étape distincte. Une structure peut sembler intéressante selon une prédiction, mais se révéler difficile à synthétiser, instable dans certaines conditions ou trop coûteuse à produire. Les prédictions doivent donc être confrontées à des calculs complémentaires et à des expériences.

L’intérêt des travaux de l’IISc et de l’UCL est précisément de proposer une réponse à l’un des obstacles les plus fréquents : le manque de données pour une propriété donnée. Ils soulignent aussi qu’il ne suffit pas de choisir un grand modèle. La sélection de l’architecture, l’organisation du pré-entraînement et la décision de geler ou d’ajuster certaines couches sont des paramètres essentiels de la performance finale.

Ce qu’il faut surveiller

La prochaine question sera de savoir dans quelle mesure cette stratégie se transpose à un éventail toujours plus large de propriétés et de familles de matériaux. Les résultats sur les écarts de bande des matériaux bidimensionnels, malgré un entraînement initial réalisé sur des données tridimensionnelles, ouvrent une piste intéressante pour la généralisation des modèles.

Il faudra aussi observer comment ces outils s’intègrent aux pratiques des laboratoires. Leur valeur dépendra de leur capacité à orienter des expériences concrètes, à quantifier l’incertitude des prédictions et à rester exploitables par des spécialistes qui doivent justifier chaque choix de matériau.

À la fin de l’année 2024, cette recherche illustre surtout une évolution de la science des matériaux : l’IA devient un instrument de découverte capable de relier des informations éparses. Bien employée, elle peut aider les équipes à poser de meilleures questions, à cibler leurs ressources et à accélérer l’identification de matériaux utiles à l’électronique et au stockage de l’énergie.