SCIGEN, l’IA du MIT qui cible des matériaux aux propriétés quantiques rares

En septembre 2025, l’intelligence artificielle ne sert plus seulement à analyser des matériaux connus ou à en simuler les propriétés. Elle commence aussi à proposer des candidats inédits, conçus à partir de critères scientifiques précis. Avec SCIGEN, des chercheurs du Massachusetts Institute of Technology, le MIT, cherchent à orienter cette capacité vers un défi particulièrement difficile : découvrir des solides dont l’organisation atomique pourrait faire émerger des propriétés quantiques rares.

L’enjeu dépasse la simple automatisation. En science des matériaux, il est relativement facile de générer sur ordinateur un grand nombre de formules chimiques et de structures cristallines plausibles. Le véritable défi consiste à isoler celles qui sont à la fois réalisables, stables et intéressantes pour une propriété donnée. Par exemple, un comportement magnétique inhabituel, une réponse optique particulière ou des caractéristiques utiles à l’étude de la supraconductivité.

SCIGEN ajoute des règles de conception à l’IA

SCIGEN est un outil conçu pour fonctionner avec des modèles de diffusion, une famille de modèles génératifs. Ces systèmes sont connus du grand public pour leur emploi dans la création d’images, mais leur principe peut aussi être appliqué à des structures atomiques. Au lieu de produire des pixels, le modèle apprend à proposer l’agencement d’atomes dans un cristal.

Un cristal n’est pas un simple mélange d’éléments chimiques. Ses atomes sont ordonnés selon un motif qui se répète dans l’espace. Cette géométrie joue un rôle décisif : elle détermine notamment la manière dont les électrons circulent, interagissent ou réagissent à un champ magnétique. Deux matériaux de composition proche peuvent donc présenter des propriétés radicalement différentes si leurs atomes ne sont pas organisés de la même manière.

C’est sur ce point que SCIGEN entend faire la différence. L’outil introduit des contraintes de conception géométriques dans le processus génératif. Autrement dit, le modèle ne se contente pas de chercher des structures qui semblent chimiquement possibles. Il est guidé pour respecter un motif atomique jugé pertinent par les chercheurs.

Cette capacité est particulièrement utile lorsque la propriété recherchée dépend d’une architecture cristalline très spécifique. Les équipes de recherche ne veulent alors pas seulement connaître une formule chimique stable. Elles recherchent un cristal dans lequel certains atomes occupent des positions précises, avec des symétries et des connexions déterminées.

Pourquoi générer des millions de matériaux ne suffit pas

Les approches génératives classiques ont fait progresser la recherche en produisant rapidement de vastes bibliothèques de matériaux potentiels. Des acteurs comme Google et Microsoft ont contribué à populariser l’idée que l’IA peut accélérer l’exploration de l’espace chimique, immense ensemble de combinaisons possibles entre éléments et structures.

Mais cette abondance a une limite. Un modèle peut générer des millions de structures plausibles et stables sur le papier sans répondre à une question scientifique précise. Or les matériaux aux propriétés quantiques les plus recherchées, comme certains supraconducteurs ou états magnétiques exotiques, sont rares. Les trouver dans une liste gigantesque revient à chercher une configuration très particulière dans un espace de possibilités colossal.

Mingda Li, chercheur au MIT impliqué dans ces travaux, défend donc une stratégie différente : privilégier un petit nombre de matériaux à fort potentiel scientifique plutôt qu’optimiser la stabilité de dix millions de candidats sans caractère réellement distinctif. La stabilité reste indispensable, mais elle ne constitue pas à elle seule une promesse d’innovation.

Les réseaux de Kagome, une géométrie qui attire les physiciens

L’équipe a notamment appliqué SCIGEN à la recherche de matériaux intégrant des structures avancées comme les réseaux de Kagome. Ce terme désigne un arrangement d’atomes formant des triangles reliés entre eux. Son nom vient d’un motif de tressage traditionnel japonais dont la géométrie évoque cette succession de triangles.

Pourquoi cet intérêt ? Dans un solide, les électrons ne se déplacent pas indépendamment les uns des autres. La géométrie du réseau atomique peut les placer dans une situation dite de frustration : toutes leurs interactions ne peuvent pas être satisfaites simultanément. Cette contrainte peut conduire à des comportements collectifs inhabituels, notamment sur les plans électronique et magnétique.

Les réseaux de Kagome sont ainsi étudiés pour leur capacité potentielle à faire apparaître des phénomènes quantiques difficiles à obtenir dans des structures plus ordinaires. Ils ne garantissent pas une propriété spectaculaire à eux seuls, mais ils constituent un motif de départ pertinent pour explorer des matériaux aux comportements rares.

Dans les travaux décrits par le MIT, les structures générées peuvent aussi imiter le comportement d’éléments rares. Cette possibilité est importante : des matériaux reposant sur des éléments plus accessibles pourraient, en théorie, reproduire certaines fonctions recherchées sans dépendre directement d’une ressource rare. Il ne s’agit toutefois pas d’une équivalence automatique. La composition, la pureté, les défauts du cristal et les conditions expérimentales influencent tous le comportement final.

De la prédiction informatique au cristal réel

La valeur scientifique d’un outil génératif se mesure au moment où ses suggestions quittent l’écran. Les chercheurs ont donc confronté les propositions de SCIGEN à l’expérimentation. Le projet mentionne la réalisation de deux composés jusque-là inconnus : TiPdBi et TiPbSb.

Ces formules indiquent les éléments qui composent les matériaux : le titane, le palladium et le bismuth pour le premier, le titane, le plomb et l’antimoine pour le second. Les obtenir en laboratoire est une étape essentielle, car une structure peut sembler favorable dans un calcul tout en étant impossible à produire, instable à l’air libre ou transformée en une autre phase lors de sa synthèse.

Les expériences ont montré une concordance jugée surprenante entre les propriétés prédites et celles observées pour les matériaux réalisés. Cette correspondance ne signifie pas que l’IA remplace les instruments de laboratoire. Elle indique plutôt que le système a aidé à réduire l’écart entre une hypothèse numérique et une cible expérimentale crédible.

La démarche suit un cycle qui devient central dans l’IA appliquée aux sciences :

• le modèle propose des candidats selon des contraintes définies par les chercheurs ;
• les candidats sont évalués par des calculs et des critères de faisabilité ;
• les matériaux les plus prometteurs sont synthétisés ;
• leurs propriétés sont mesurées afin de confirmer ou d’infirmer les prédictions ;
• les résultats expérimentaux peuvent ensuite nourrir de nouvelles itérations.

Quels usages pourraient découler de ces matériaux ?

Les promesses concernent plusieurs secteurs de la physique et de l’industrie. Des matériaux électroniques, magnétiques ou optiques aux propriétés ciblées pourraient contribuer à de nouvelles générations de composants. Les applications les plus ambitieuses concernent notamment l’électronique à faible consommation, certains capteurs, les technologies de l’énergie et l’informatique quantique.

Il faut néanmoins distinguer les pistes de recherche des applications disponibles. La présence d’un réseau de Kagome ou d’une autre géométrie intéressante ne transforme pas immédiatement un cristal en composant utilisable. Pour passer du laboratoire à l’industrie, un matériau doit être reproductible, durable, compatible avec des procédés de fabrication et suffisamment performant dans des conditions réelles.

La supraconductivité illustre bien cet écart. Un supraconducteur transporte le courant électrique sans résistance dans certaines conditions. Trouver des matériaux présentant ce phénomène à des températures et sous des contraintes praticables constituerait une avancée majeure. Mais SCIGEN ne prouve pas à lui seul l’existence d’un supraconducteur utilisable à température ambiante. L’outil sert à mieux explorer les familles de matériaux susceptibles de révéler des phénomènes rares.

Le même raisonnement s’applique aux supraconducteurs topologiques et aux liquides quantiques évoqués par les chercheurs. Ces objets restent complexes à identifier, car leurs signatures dépendent à la fois de la structure, de la composition et de mesures physiques particulièrement exigeantes. À ce stade, aucun matériau de liquide quantique n’a été confirmé dans le cadre de la quête décrite par l’équipe.

Une recherche qui associe IA, chimie et expérimentation

SCIGEN montre que l’IA générative destinée aux sciences ne peut pas être pensée comme un outil isolé. Elle nécessite des spécialistes capables de formuler les bonnes contraintes, de juger si les candidats proposés sont réalistes et de concevoir les expériences de validation. La qualité des résultats dépend autant des connaissances intégrées au modèle que du modèle lui-même.

Le projet a reçu le soutien d’organisations américaines telles que le Department of Energy et la National Science Foundation. Ces soutiens reflètent l’importance stratégique de la découverte de matériaux : les avancées dans ce domaine conditionnent souvent les progrès de l’électronique, du stockage de l’énergie, de l’optique, des transports ou du calcul.

Cette approche ouvre également la voie à des collaborations entre instituts disposant de compétences complémentaires. Une équipe peut développer les modèles, une autre réaliser les calculs théoriques, tandis que des laboratoires spécialisés synthétisent les cristaux et mesurent leurs propriétés. La rapidité de la découverte ne dépend donc pas uniquement de la puissance informatique, mais de la fluidité de cette chaîne scientifique.

Ce qu’il faut surveiller

Le principal indicateur du succès de SCIGEN sera le nombre de matériaux effectivement réalisés et caractérisés à partir de ses propositions. Une longue liste de candidats numériques est utile, mais la démonstration la plus solide reste la découverte de composés que les expériences confirment ensuite.

Il faudra aussi évaluer la capacité de l’outil à s’adapter à plusieurs familles de propriétés. Les chercheurs espèrent encourager l’émergence de matériaux répondant à des critères variés. Si les contraintes géométriques peuvent être définies de manière fiable pour des objectifs électroniques, magnétiques et optiques distincts, l’approche pourrait devenir une méthode de conception plus générale.

Enfin, cette recherche rappelle une leçon essentielle : en science des matériaux, l’IA la plus utile n’est pas nécessairement celle qui génère le plus. C’est celle qui aide les scientifiques à poser des questions plus précises, à réduire les essais inutiles et à concentrer les ressources expérimentales sur des pistes qui valent réellement la peine d’être testées.