MatterGen, l’IA de Microsoft qui veut inventer de nouveaux matériaux

La plupart des objets qui façonnent l’industrie moderne, des batteries aux puces électroniques en passant par les panneaux solaires, dépendent de matériaux aux propriétés très précises. Or, découvrir une nouvelle composition suffisamment stable, performante et fabricable reste une tâche longue. Microsoft entend raccourcir cette étape avec MatterGen, une intelligence artificielle générative conçue pour imaginer des matériaux inédits plutôt que pour seulement chercher parmi ceux qui existent déjà.

Le projet s’inscrit dans un mouvement plus large d’IA pour la science. L’idée n’est pas de remplacer la chimie, la physique ou les essais en laboratoire. Il s’agit de donner aux équipes de recherche de meilleurs points de départ, en ciblant des structures qui auraient été difficiles à trouver par les méthodes conventionnelles.

Pourquoi découvrir un matériau est-il si difficile ?

Un matériau n’est pas seulement une liste d’éléments chimiques. Ses performances dépendent aussi des proportions entre ces éléments, de l’organisation des atomes dans l’espace et de la forme périodique du réseau cristallin. Modifier l’un de ces paramètres peut changer radicalement la conductivité électrique, la résistance mécanique ou la stabilité du composé.

Historiquement, les chercheurs ont progressé par expérimentation : ils formulent un composé, le synthétisent, observent sa structure et mesurent ses propriétés. Cette démarche est indispensable, mais elle ressemble souvent à une recherche d’aiguille dans une botte de foin. Le nombre théorique de combinaisons possibles entre éléments, proportions et arrangements atomiques est immense.

L’informatique a déjà amélioré la situation grâce au criblage computationnel. Dans cette méthode, des logiciels évaluent un grand nombre de matériaux répertoriés ou de variantes plausibles afin d’identifier les candidats les plus prometteurs. Le criblage évite une partie des expériences inutiles, mais il possède une limite évidente : il dépend du répertoire que l’on a choisi d’explorer.

À mesure que les candidats les plus accessibles sont étudiés, le rendement de cette recherche peut diminuer. Il faut alors parcourir davantage de possibilités pour obtenir une découverte intéressante. C’est précisément à ce stade que l’approche générative de MatterGen cherche à apporter une autre voie.

MatterGen ne trie pas seulement des candidats, il en crée

MatterGen est un modèle génératif de diffusion. Ce type d’IA est surtout connu du grand public pour la génération d’images, mais son principe peut s’appliquer à des objets scientifiques structurés. Dans le cas présent, l’objet à concevoir est un cristal : il faut déterminer quels atomes utiliser, où les placer et quel réseau périodique leur donner.

Le modèle apprend à partir d’exemples. Microsoft l’a entraîné sur plus de 608 000 matériaux stables, collectés dans les bases de données du Materials Project et d’Alexandria. Ces exemples permettent à l’IA de reconnaître les configurations atomiques plausibles et les relations entre une structure cristalline et certaines propriétés recherchées.

Lors de la génération, le système part de configurations désordonnées puis les affine progressivement. Il ajuste simultanément les éléments chimiques, leurs positions et la maille du cristal, c’est-à-dire le motif géométrique qui se répète dans le matériau. Le résultat n’est pas un matériau physiquement fabriqué, mais une proposition numérique suffisamment structurée pour être analysée et, éventuellement, synthétisée.

L’intérêt est que la demande peut être conditionnée par des contraintes de conception. Un chercheur peut ainsi viser une composition donnée ou demander une propriété chimique, mécanique ou électronique. MatterGen ne se contente donc pas de demander : « Parmi les matériaux connus, lequel est le moins éloigné de mon besoin ? » Il tente de produire une structure qui corresponde directement au besoin formulé.

Quels résultats le modèle a-t-il montrés ?

Microsoft indique que MatterGen a obtenu de meilleurs résultats que des approches de référence pour générer des matériaux conformes à des propriétés ciblées. Parmi les exemples mis en avant figure la recherche de structures ayant un module de compressibilité supérieur à 400 GPa.

Exprimé en gigapascals, ou GPa, ce module mesure la résistance d’un matériau à une compression uniforme. Plus sa valeur est élevée, plus le matériau résiste à une diminution de volume sous pression. Il s’agit d’un indicateur utile pour identifier des matériaux très rigides, même s’il ne résume pas à lui seul toutes leurs propriétés mécaniques.

Cette capacité à travailler sous contraintes est importante, car un matériau intéressant dans l’absolu ne répond pas forcément à un problème industriel concret. Un dispositif énergétique peut par exemple nécessiter à la fois une certaine stabilité chimique, une conductivité particulière et une résistance à des conditions d’usage exigeantes. La difficulté consiste alors à concilier plusieurs critères qui peuvent entrer en tension.

MatterGen s’attaque également à un obstacle complexe de la modélisation des cristaux : la désorganisation compositionnelle. Dans certaines structures, des atomes de différentes espèces peuvent échanger aléatoirement leurs positions dans le réseau. Deux matériaux proches sur le plan chimique peuvent alors sembler différents à un algorithme, ou inversement. Cette variabilité complique l’évaluation et la comparaison des structures par les méthodes plus classiques.

Une prédiction confrontée au laboratoire

Une proposition informatique ne devient pas automatiquement une découverte scientifique. Il faut pouvoir synthétiser le matériau, vérifier sa structure et mesurer réellement ses propriétés. Microsoft a donc travaillé avec des chercheurs des Shenzhen Institutes of Advanced Technology, ou SIAT, afin de tester un candidat conçu avec MatterGen.

Le matériau retenu, TaCr₂O₆, avait été généré avec un objectif de module de compressibilité de 200 GPa. Après synthèse, sa valeur mesurée a atteint 169 GPa. L’écart par rapport à la cible est donc de 20 % en valeur relative.

Le matériau final a présenté une désorganisation compositionnelle entre les atomes de tantale, Ta, et de chrome, Cr. Malgré ce phénomène, sa structure était proche de la prédiction du modèle. Cette validation expérimentale est un jalon important : elle montre qu’une sortie de l’IA peut conduire à un composé effectivement synthétisable et dont le comportement s’approche de l’objectif fixé.

Il faut toutefois garder la juste mesure de ce résultat. Un candidat réussi ne signifie pas que chaque structure générée sera immédiatement fabricable, stable dans toutes les conditions ou adaptée à une production industrielle. Les mesures expérimentales restent nécessaires pour départager les matériaux réellement exploitables des pistes qui ne résistent pas aux contraintes du laboratoire.

MatterGen et MatterSim, deux outils complémentaires

Microsoft présente MatterGen comme le complément de MatterSim, un autre modèle consacré à l’accélération des simulations de propriétés des matériaux. Les deux outils ne remplissent pas la même fonction : le premier génère des candidats, le second aide à estimer plus rapidement leur comportement.

L’ambition est de créer un cycle itératif, décrit par Microsoft comme un « flywheel ». MatterGen propose des structures répondant à un cahier des charges. MatterSim peut ensuite aider à les évaluer par simulation. Les résultats servent à sélectionner les candidats à synthétiser et à guider de nouvelles générations. À chaque étape, le processus peut se concentrer sur les hypothèses les plus prometteuses.

Cette articulation répond à une contrainte pratique de la recherche : même une IA capable de générer beaucoup de matériaux ne serait pas utile si chaque proposition devait être étudiée par des calculs très lourds ou par une campagne d’expériences coûteuse. La valeur d’un tel système tient donc à la capacité de relier génération, simulation et validation dans un flux de travail cohérent.

Microsoft rattache cette orientation à sa vision d’un « cinquième paradigme de la découverte scientifique ». Dans cette perspective, l’IA ne sert plus seulement à détecter des motifs dans des données existantes. Elle participe activement à la formulation de candidats, à l’orientation des simulations et à la préparation des expériences.

À quoi pourrait servir une IA de conception de matériaux ?

Les applications envisagées concernent des secteurs où quelques progrès sur un matériau peuvent avoir de grandes conséquences. Les batteries, les piles à hydrogène, les dispositifs magnétiques, l’électronique et l’ingénierie aérospatiale reposent tous sur des compromis difficiles entre performances, masse, stabilité, disponibilité des éléments et conditions de fabrication.

Dans le domaine de l’énergie, un outil de conception pourrait par exemple aider les chercheurs à explorer plus vite des matériaux pour le stockage ou la conversion de l’électricité. Dans l’électronique, il pourrait ouvrir des pistes pour des composants aux propriétés électriques ou thermiques ciblées. Dans l’aérospatiale, où la résistance et la masse sont des critères majeurs, la capacité à proposer des structures adaptées pourrait aussi être précieuse.

Le potentiel ne doit cependant pas être confondu avec un résultat industriel immédiat. Entre une structure prédite sur ordinateur et un matériau intégré à un produit, il faut vérifier la synthèse à grande échelle, le coût des matières premières, la sécurité, la durabilité, la reproductibilité et la compatibilité avec les procédés industriels. L’IA réduit l’espace de recherche, elle n’efface pas ces étapes.

La publication de MatterGen sous licence MIT peut faciliter son étude et son appropriation par la communauté scientifique. Une licence ouverte permet à d’autres chercheurs d’examiner le modèle, de l’adapter à leurs objectifs et d’évaluer ses résultats dans des contextes variés.

Ce qu’il faut surveiller

La principale question sera celle de la reproductibilité. Pour mesurer l’utilité réelle de MatterGen, il faudra observer combien de matériaux générés peuvent être synthétisés, avec quelle fidélité leurs propriétés correspondent aux prédictions et dans quels domaines l’outil apporte un gain concret par rapport au criblage conventionnel.

Il faudra également vérifier sa capacité à répondre à des problèmes plus complexes, où plusieurs propriétés sont demandées simultanément. Un matériau idéal sur un indicateur isolé peut échouer dès lors qu’il doit aussi être peu coûteux, durable, non toxique ou compatible avec une chaîne de production existante.

Enfin, l’enjeu est organisationnel autant que technique. Les avancées les plus utiles viendront vraisemblablement des équipes capables de combiner l’IA générative, les simulations physiques, les données expérimentales et l’expertise des chimistes et ingénieurs. MatterGen ne promet pas une découverte automatique, mais il propose une manière différente de chercher, plus directe et potentiellement plus rapide, dans l’immense espace des matériaux possibles.