Sujet
Tous les articles d’Actu.ai consacrés à Science des matériaux : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 16 articles
Contrôler la qualité d’un matériau exige souvent des instruments lourds, coûteux et des délais incompatibles avec une production rapide. Développé par des ingénieurs du MIT, SpectroGen utilise l’IA pour déduire des données spectrales complexes à partir d’une seule mesure, avec des résultats annoncés comme très proches des analyses physiques.
Concevoir un alliage performant suppose d’explorer d’innombrables combinaisons d’éléments et de propriétés. Développé à Carnegie Mellon, AlloyGPT emploie un modèle de langage spécialisé pour prédire des structures multi-phases et proposer des compositions adaptées à des objectifs de fabrication.
Dotée de 300 millions de dollars, Periodic Labs veut créer des systèmes d’IA capables de conduire des expériences de science des matériaux. La jeune entreprise, fondée par Ekin Dogus Cubuk et Liam Fedus, vise notamment les supraconducteurs et des laboratoires robotisés produisant leurs propres données.
Conçu au MIT, CRESt combine publications scientifiques, compositions chimiques, images et essais de laboratoire pour guider la recherche de matériaux. Cette IA peut planifier des expériences, exploiter des équipements robotiques et surveiller leur déroulement, tout en laissant aux scientifiques la maîtrise des décisions essentielles.
Au Laboratoire national de Berkeley, la plateforme AutoBot automatise la synthèse et l’évaluation de matériaux avancés. Testée sur des films de pérovskites, elle a identifié des conditions de fabrication prometteuses en n’échantillonnant qu’environ 1 % de plus de 5 000 combinaisons possibles.
Des chercheurs du MIT ont conçu une sonde robotique autonome capable de caractériser rapidement la photoconductance de matériaux semi-conducteurs. En combinant robotique, vision par ordinateur et apprentissage automatique, le système a effectué plus de 3 000 mesures en 24 heures, une cadence qui pourrait accélérer la recherche de matériaux pour le photovoltaïque.
Les alliages à éléments multiples résistent mieux à des contraintes extrêmes, mais leur conception reste complexe. Des chercheurs emploient une intelligence artificielle explicable pour identifier le rôle des éléments et de leur environnement local, puis orienter la mise au point de matériaux plus robustes et durables.
Des chercheurs de l’Université Lehigh ont mis au point un système d’apprentissage automatique capable d’anticiper une anomalie microscopique liée à la fragilité des matériaux. Dans des simulations, il identifie les grains susceptibles de croître anormalement dans 86 % des cas, très tôt dans l’évolution observée.
L’intelligence artificielle s’invite dans la métallurgie pour aider les chercheurs à concevoir des alliages de titane plus adaptés aux usages industriels. En analysant des données et en prédisant des propriétés avant les essais, elle promet d’écourter la recherche, à condition que chaque résultat soit confirmé en laboratoire et en production.
Le professeur Markus J. Buehler, du MIT, est distingué par le Prix de Washington 2025. Ses travaux croisent modélisation informatique, mécanique des matériaux biologiques et intelligence artificielle, avec une démarche singulière qui fait aussi dialoguer science, musique et ingénierie.
Les batteries à état solide promettent de transformer le stockage d’énergie, mais leurs performances se jouent aussi à une échelle invisible. Des chercheurs du Lawrence Livermore National Laboratory associent simulations, microstructures numériques et apprentissage automatique pour repérer les agencements de matériaux qui favorisent, ou entravent, le passage des ions.
Trouver un matériau adapté à une batterie, à un composant électronique ou à un système énergétique peut exiger des années d’essais. Avec MatterGen, Microsoft propose une IA générative capable d’imaginer directement des structures cristallines répondant à des contraintes définies, puis de fournir aux chercheurs des candidats à vérifier en laboratoire.
Trouver un matériau adapté à une batterie, un semi-conducteur ou un composant électronique exige habituellement de longues mesures et simulations. Des chercheurs de l’IISc et de l’UCL proposent une méthode d’apprentissage par transfert qui permet à une IA de mieux prédire certaines propriétés avec des jeux de données limités.
Une équipe internationale a utilisé l’apprentissage automatique pour accélérer la découverte d’un composant essentiel des cellules solaires en pérovskite. Sa meilleure cellule atteint 26,2 % de rendement, à seulement 0,5 point du record de 26,7 % cité par les chercheurs. Une démonstration concrète du potentiel de l’IA pour la science des matériaux.
Une équipe de Berkeley et du Lawrence Berkeley National Laboratory présente EScAIP, une architecture d’IA destinée à simuler les interactions entre atomes. Le modèle promet des calculs plus rapides, moins gourmands en mémoire et plus accessibles pour la chimie, les matériaux ou la recherche sur les médicaments.
À partir de 100 échantillons accumulés en onze ans, une équipe japonaise a entraîné des modèles pour guider la conception d’électrodes sodium-ion. Leur méthode, complétée par une optimisation bayésienne, a désigné une composition d’oxyde de sodium ensuite testée expérimentalement. Une démonstration concrète de l’IA au service de la science des matériaux.
