Chimie computationnelle : l’IA accélère la prédiction des molécules et matériaux

Pendant des siècles, trouver ou fabriquer un matériau aux propriétés désirées a largement reposé sur les essais, l’intuition et de longues séries d’expériences. La chimie computationnelle a changé cette pratique en permettant de simuler le comportement des atomes sur ordinateur. Mais les calculs les plus fiables restent généralement trop lents pour explorer systématiquement l’immense espace des molécules possibles. Des chercheurs dirigés par Ju Li, professeur au MIT, proposent une voie pour réduire cet obstacle : entraîner une intelligence artificielle à imiter des calculs quantiques particulièrement rigoureux.

Leur travail, publié dans le numéro de décembre 2024 de Nature Computational Science, s’appuie sur un modèle baptisé Multi-task Electronic Hamiltonian Network, ou MEHnet. Son ambition ne consiste pas seulement à fournir une énergie moléculaire, mais à estimer en une seule fois plusieurs propriétés électroniques utiles aux chimistes. L’enjeu est considérable : pouvoir écarter rapidement les mauvaises pistes et concentrer les expériences sur les candidats les plus plausibles, qu’il s’agisse de molécules, de matériaux ou, à terme, de composants pour le stockage de l’énergie.

Pourquoi prédire les molécules reste un problème difficile

La chimie moderne ne cherche évidemment plus à transformer le plomb en or, objectif emblématique de l’alchimie qui a occupé des savants pendant plus d’un millénaire. Des figures comme Tycho Brahe, Robert Boyle et Isaac Newton se sont elles aussi intéressées à l’alchimie. La compréhension progressive des éléments chimiques, puis l’organisation de leurs propriétés dans la table périodique, ont posé les bases d’une discipline capable d’expliquer et de maîtriser les transformations chimiques.

Pour concevoir une nouvelle molécule ou un nouveau matériau, il faut pourtant répondre à des questions extrêmement concrètes : quelle forme les atomes vont-ils adopter ? La structure sera-t-elle stable ? Comment les électrons se répartiront-ils ? La molécule absorbera-t-elle certaines longueurs d’onde de lumière ? Répondre expérimentalement à chacune de ces questions prend du temps et mobilise des instruments, des substances et des équipes de laboratoire.

Les simulations informatiques offrent un moyen de filtrer les candidats avant de les synthétiser. Elles décrivent les interactions entre noyaux atomiques et électrons à partir des lois de la mécanique quantique. Le problème est que les électrons sont nombreux, en interaction constante, et que le coût des calculs augmente très vite quand la taille de la molécule progresse.

La DFT, méthode très utilisée mais imparfaite

La plupart des modèles d’apprentissage automatique utilisés pour des molécules se fondent traditionnellement sur des données générées par la théorie fonctionnelle de la densité, généralement désignée par son sigle anglais DFT. Cette famille de méthodes de mécanique quantique permet notamment d’estimer l’énergie d’un système à partir de sa densité électronique, c’est-à-dire de la manière dont les électrons sont répartis dans l’espace.

La DFT est centrale dans la recherche car elle offre un compromis précieux entre coût de calcul et qualité des résultats. Elle permet d’étudier un grand nombre de systèmes qui seraient hors de portée de méthodes plus exigeantes. Toutefois, son exactitude dépend des approximations employées. Elle se concentre en outre principalement sur l’énergie totale la plus basse d’un système, autrement dit son état fondamental.

Or une molécule ne se résume pas à cette seule valeur. Ses réponses à un champ électrique, ses vibrations ou sa capacité à absorber de la lumière renseignent aussi sur ses usages possibles. Pour obtenir ces informations avec une meilleure fidélité, les chimistes disposent de méthodes plus robustes, mais beaucoup plus lourdes à exécuter.

CCSD(T), une référence de précision difficile à généraliser

L’équipe de Ju Li s’est tournée vers la méthode dite du cluster couplé, dans sa variante CCSD(T). En chimie quantique, elle est fréquemment qualifiée de « standard d’or » en raison de sa précision. Elle prend en compte les corrélations entre électrons de manière plus complète que les approches courantes fondées sur la DFT.

Cette précision a une contrepartie majeure : les calculs CCSD(T) sont lents. Leur coût augmente fortement avec le nombre d’électrons présents dans le système. En pratique, cela limite leur emploi direct à des molécules relativement petites. Il est donc difficile de les utiliser seuls pour examiner rapidement des bibliothèques comptant d’innombrables molécules candidates, ou des structures formées de milliers d’atomes.

La stratégie du MIT consiste à employer CCSD(T) comme une source de données de référence. Des calculs rigoureux sont d’abord réalisés sur des ordinateurs classiques. Leurs résultats servent ensuite à entraîner un réseau de neurones. Une fois l’apprentissage effectué, le modèle peut effectuer des estimations bien plus rapidement, en s’appuyant sur des approximations apprises à partir des calculs coûteux.

Le but n’est donc pas de faire disparaître la mécanique quantique derrière une boîte noire. Il est de transférer une partie du savoir contenu dans des calculs quantiques de haute précision vers un outil plus rapide à interroger.

MEHnet, un modèle unique pour plusieurs propriétés électroniques

La particularité de MEHnet est son approche multitâche. Plutôt que de construire un modèle distinct pour chaque grandeur recherchée, l’équipe cherche à apprendre plusieurs propriétés électroniques dans une même architecture. Le système fournit notamment des estimations des moments dipolaires, de la polarisabilité électronique et de l’écart d’excitation optique.

Le modèle peut aussi apporter des informations sur des états excités et sur le spectre d’absorption infrarouge d’une molécule. Ces données concernent les vibrations collectives des atomes et les changements du système lorsqu’il reçoit de l’énergie. Elles sont importantes pour comprendre comment une molécule interagit avec la lumière ou avec son environnement.

L’architecture fait appel à un réseau de neurones sur graphes équivariant. Dans ce type de modèle, une molécule est représentée comme un graphe : les atomes constituent les nœuds et leurs interactions ou liaisons forment les relations entre eux. Le terme « équivariant » désigne ici une propriété physique importante : si la molécule est déplacée ou tournée dans l’espace, le modèle doit modifier ses prédictions de manière cohérente avec cette transformation, et non traiter cette même structure comme un nouvel objet sans rapport.

Cette contrainte n’est pas un détail mathématique. Elle introduit dans le réseau une partie des symétries connues de la physique, ce qui peut rendre l’apprentissage plus pertinent et plus efficace avec un nombre limité d’exemples.

Des hydrocarbures aux systèmes plus complexes

Pour évaluer leur approche, les chercheurs l’ont testée sur des molécules d’hydrocarbures connues. Selon les résultats rapportés, MEHnet a dépassé les modèles reposant sur la DFT et s’est rapproché davantage des mesures expérimentales. Qiang Zhu, spécialiste de la découverte de matériaux, souligne que cette méthode peut être entraînée efficacement avec un ensemble de données réduit tout en visant une précision supérieure.

Le groupe a commencé avec des éléments légers, dont l’hydrogène et le carbone, avant de s’intéresser à des éléments plus lourds comme le silicium et le phosphore. Cette progression est importante : les petites molécules constituent un terrain de test maîtrisable pour les méthodes CCSD(T), tandis que l’ambition à plus long terme est de transférer les connaissances acquises vers des systèmes de plus grande taille et de plus grande complexité.

L’idée est qu’un modèle entraîné sur de petites molécules puisse être étendu à des structures plus vastes. Les chercheurs envisagent des molécules unidimensionnelles, puis des objets comptant des milliers, voire des dizaines de milliers d’atomes. Cette extrapolation reste toutefois un défi scientifique. Un modèle fiable sur des petites structures ne garantit pas automatiquement une précision identique dans toutes les molécules plus grandes, surtout lorsque de nouveaux types de liaisons ou d’éléments entrent en jeu.

Quels usages pour la découverte de matériaux et de médicaments ?

La promesse immédiate de cette approche est le criblage moléculaire à haut débit. Au lieu de réaliser en laboratoire des essais sur chaque candidat, les chercheurs peuvent simuler et classer de nombreuses structures afin de retenir celles qui présentent les propriétés les plus intéressantes. Les meilleures pistes doivent ensuite être produites et testées expérimentalement.

Dans la pharmacologie, ce type de sélection pourrait contribuer à examiner plus rapidement des molécules susceptibles de présenter des caractéristiques utiles. Dans les matériaux, il pourrait aider à chercher des composés aux réponses électroniques, optiques ou énergétiques adaptées à une fonction donnée. Le développement durable et les dispositifs de stockage d’énergie figurent parmi les applications envisagées dans les travaux du MIT.

L’intégration future de métaux de transition serait particulièrement importante. Ces éléments jouent un rôle dans de nombreux matériaux fonctionnels, notamment pour l’énergie. Ils sont aussi plus difficiles à modéliser, car leur structure électronique peut être complexe. Les inclure dans une méthode alliant précision quantique et vitesse d’inférence ouvrirait la recherche à un éventail plus large de candidats pour les batteries et d’autres dispositifs de stockage.

Ce qu’il faut surveiller

La contribution de MEHnet illustre une tendance de fond : l’apprentissage profond devient un accélérateur des simulations atomistiques, sans remplacer le besoin de méthodes physiques solides. Le véritable test ne résidera pas seulement dans la vitesse du modèle, mais dans sa capacité à conserver sa précision lorsqu’il rencontre des molécules inconnues, de nouveaux éléments et des structures beaucoup plus grandes que celles vues à l’entraînement.

Les prochaines étapes annoncées par l’équipe portent précisément sur l’élargissement des éléments traités et sur l’étude de matériaux hypothétiques. Si les prédictions restent robustes hors de leur domaine initial, ces outils pourraient faire gagner un temps considérable dans la phase amont de la recherche.

Pour autant, une simulation rapide ne suffit pas à créer un matériau utile. Il faut encore vérifier que le composé peut être synthétisé, qu’il est stable dans des conditions réelles, qu’il peut être fabriqué à une échelle pertinente et qu’il répond effectivement aux mesures expérimentales. L’IA peut réduire le nombre de portes à ouvrir. La chimie expérimentale demeure indispensable pour savoir lesquelles mènent à une découverte exploitable.