Data-model Coevolution as the Architectural Principle for AI-Native Materials Databases

Cet article propose et valide la « coévolution données-modèle » en tant que principe architectural fondamental pour les bases de données de matériaux natives de l'IA, démontrant, à travers un prototype ternaire Li-P-S, que des cycles endogènes de génération-évaluation-raffinement peuvent découvrir de manière autonome de nouvelles phases stables et atteindre une modélisation prédictive de haute précision avec un coût minimal en principes premiers.

L'essentiel

Imaginez que vous essayiez de construire la bibliothèque ultime de structures cristallines pour un type spécifique de matériau (dans ce cas, un mélange de Lithium, de Phosphore et de Soufre).

L'ancienne méthode : La bibliothèque statique
Traditionnellement, les scientifiques construisaient ces bibliothèques comme des archives statiques. Ils utilisaient un ensemble de règles rigides pour générer des milliers de formes cristallines, calculaient leurs propriétés à l'aide de superordinateurs, puis les « classaient simplement ». Les modèles informatiques utilisés pour prédire les propriétés étaient comme des consultants externes qui étaient embauchés, donnaient leurs conseils, puis partaient. La bibliothèque grandissait en ajoutant plus de fichiers, mais le « cerveau » (le modèle d'IA) n'apprenait pas des nouveaux fichiers, et les fichiers ne changeaient pas en fonction de ce que le cerveau apprenait. C'était une rue à sens unique.

La nouvelle méthode : Le jardin auto-évolutif
Cette publication propose un nouveau principe architectural appelé « Coévolution Données-Modèle ». Considérez cela non pas comme une bibliothèque, mais comme un jardin vivant et auto-entretenu.

1. La Graine (Le Générateur) : Un « jardinier » d'IA plante des graines (génère des structures cristallines candidates).
2. Le Test du Sol (L'Évaluateur) : Un autre IA « testeur » vérifie la qualité du sol (évalue la stabilité de ces cristaux) en utilisant une approximation rapide et intelligente.
3. La Vérification de l'Expert (Le Raffinement) : Pour les plantes les plus prometteuses, un expert de niveau humain (une simulation informatique extrêmement précise appelée DFT) effectue une vérification approfondie.
4. La Boucle de Croissance : Voici la magie : les résultats de la vérification de l'expert ne sont pas seulement classés. Ils sont réinjectés dans le jardinier et le testeur.
   • Le Jardinier apprend : « Oh, je ne devrais pas planter des graines qui ressemblent à cela ; elles ne poussent pas bien. Je vais essayer une forme différente la prochaine fois. »
   • Le Testeur apprend : « Je peux maintenant prédire la qualité du sol avec encore plus de précision parce que j'ai vu ces nouvelles plantes. »

Dans ce système, la base de données (le jardin) et les modèles d'IA (le jardinier et le testeur) évoluent ensemble. Ils sont des parties inséparables d'un même système vivant.

Ce qu'ils ont réellement fait
Les chercheurs ont testé ce « jardin vivant » sur un mélange chimique complexe : Lithium, Phosphore et Soufre (Li-P-S). C'est un système délicat, comme essayer de faire pousser une plante rare et exotique dans un sol difficile.

• Maturité Rapide : En seulement deux ou trois cycles de cette boucle, les modèles d'IA sont devenus incroyablement affûtés. Ils ont atteint un niveau de précision tel qu'ils pouvaient prédire l'énergie et les forces presque aussi bien que les simulations d'experts, lentes et coûteuses, mais beaucoup plus rapidement.
• Combler les Lacunes : Le système n'a pas seulement copié ce qu'il avait déjà vu auparavant. Il a découvert de nouvelles formes cristallines stables qui manquaient aux plus grandes bases de données existantes (comme le Materials Project).
  • Il a trouvé une version stable d'un cristal appelé Li₂PS₃ que les experts savaient exister dans la réalité, mais qui n'avait jamais été trouvé dans les bases de données numériques.
  • Il a inventé de nouvelles « formes » moléculaires (comme des anneaux et des chaînes d'atomes) qui n'avaient jamais été vues dans les données d'entraînement, mais qui sont chimiquement plausibles.
• Le Signal de « Saturation » : Les chercheurs ont remarqué qu'après quelques cycles, le jardin a cessé de produire de nouveaux types de blocs de construction de base. Il avait exploré toutes les manières possibles dont les atomes pouvaient se lier dans ce mélange chimique spécifique. Cela leur a indiqué : « Nous avons couvert ce territoire ; nous n'avons pas besoin de continuer à deviner. »

Le Résultat : Un outil de requête universel
Une fois que le jardin était « stabilisé » (les modèles étaient entraînés et les données étaient cohérentes), les chercheurs pouvaient poser à la base de données n'importe quelle question directement. Ils n'avaient pas besoin de construire un nouvel outil pour chaque question. Ils pouvaient demander :

• « Lesquels de ces cristaux sont stables ? »
• « Lesquels permettent aux ions Lithium de circuler rapidement à travers eux (bon pour les batteries) ? »
• « À quoi ressemblent les électrons à l'intérieur de ces cristaux ? »

Le système répondait à tout cela en utilisant le même cadre unifié.

La Vision Globale
L'article soutient qu'au lieu de construire des piles de plus en plus grandes de données statiques, nous devrions construire des bases de données natives de l'IA. Ce sont des systèmes où les données et les modèles d'IA croissent ensemble dans une boucle fermée. Cela permet aux scientifiques d'explorer un système chimique spécifique, de le maîtriser, puis d'utiliser cet état « mature » comme fondation pour explorer des systèmes connexes plus tard. Cela transforme la base de données d'une unité de stockage passive en un partenaire d'apprentissage actif dans la découverte.

Résumé technique

Résumé technique : La coévolution donnée-modèle comme principe architectural pour les bases de données de matériaux natives de l'IA

1. Énoncé du problème

Les bases de données de matériaux computationnelles actuelles (ex. Materials Project, OQMD, Alexandria) reposent sur une architecture centrée sur les données. Dans ces systèmes, les bases de données fonctionnent comme des répertoires statiques où les entrées structurelles sont accumulées via des flux de travail prédéfinis (remplissage de modèles, substitution élémentaire ou prédiction de structure cristalline). Les modèles prédictifs restent conceptuellement externes à l'état de la base de données ; la croissance des données est déconnectée de la mise à jour des modèles, et les modèles ne pilotent pas de manière endogène la génération de nouvelles données. Cette séparation structurelle limite l'accumulation continue de compréhension spécifique aux systèmes et est incompatible avec les cycles de découverte itératifs et natifs de l'IA, où les modèles génératifs proposent des candidats, les potentiels de substitution les évaluent, et les calculs de premiers principes affinent à la fois les données et les modèles dans une boucle fermée.

2. Méthodologie

Les auteurs proposent une architecture de base de données de matériaux native de l'IA basée sur la coévolution donnée-modèle. Dans ce cadre, les entrées structurelles et les modèles prédictifs intégrés constituent conjointement l'état de la base de données. La croissance de la base de données est traitée comme un processus de transition d'état piloté par une boucle endogène de génération–évaluation–affinement.

Composants clés :

• Nœuds de systèmes chimiques : Le cadre formalise les systèmes chimiques bornés (définis par des combinaisons élémentaires ciblées et des objectifs fonctionnels) comme des « nœuds » fondamentaux de la croissance de la base de données. Le système ternaire Li–P–S sert de prototype démonstratif.
• Épine dorsale générative : L'étude utilise MatterGen, un modèle génératif profond, pour proposer des structures cristallines candidates au sein du domaine chimique cible. La génération est conditionnée par des cibles spécifiques d'énergie au-dessus de l'enveloppe ($E_{hull}$) (0,00, 0,03 et 0,06 eV/atome).
• Évaluation par substitution : Des champs de force appris par apprentissage automatique (MLFF) sont utilisés pour une évaluation énergétique rapide, proche de la précision DFT, et un filtrage. Trois architectures ont été testées : DPA-3, MACE et MatterSim.
• Boucle d'affinement :
  1. Génération de candidats : Le modèle génératif propose des structures.
  2. Filtrage : Les MLFF évaluent la stabilité ($E_{hull}$).
  3. Sélection : Les structures satisfaisant les critères S.U.N. (Stable–Unique–Novel / Stable–Unique–Nouveau) sont sélectionnées.
  4. Affinement par premiers principes : Un sous-ensemble des structures sélectionnées subit des calculs de la théorie de la fonctionnelle de la densité (DFT) (utilisant VASP avec la fonctionnelle PBE).
  5. Mise à jour du modèle : Le modèle génératif est affiné en utilisant les valeurs de $E_{hull}$ issues de la DFT (vérité terrain). Simultanément, le MLFF est affiné sur des structures sélectionnées via un critère de gain d'entropie d'information maximale afin de maximiser la diversité tout en minimisant le coût DFT.

Métriques opérationnelles :

• Saturation locale : La diversité des environnements chimiques locaux est surveillée via l'entropie de l'information des caractéristiques atomiques locales. La convergence est signalée lorsque la croissance de l'entropie sature.
• Convergence du modèle : La précision du MLFF est suivie via les erreurs quadratiques moyennes (RMSE) de l'énergie et des forces sur des ensembles de test.

3. Contributions clés

1. Formalisation architecturale : L'article formalise la coévolution donnée-modèle comme le principe fondamental des bases de données natives de l'IA, passant du paradigme des répertoires de données statiques à celui de systèmes à état, où les modèles sont des composantes intégrales de l'état de la base de données.
2. Implémentation en boucle fermée : Une implémentation pratique d'un flux de travail en boucle fermée qui génère, évalue et affine de manière autonome les données et les modèles au sein d'un système chimique spécifique (Li–P–S) sans dépendre de bibliothèques de motifs prédéfinies.
3. Découverte de nouveaux motifs : Le cadre a redécouvert de manière autonome une phase stable de Li$_2$PS$_3$ ainsi que divers motifs anioniques P–S (ex. trimère (PS$_3$)$_3^-$, anneau (P$_3$S$_8$)$^{3-}$, chaînes polymériques (PS$_4$)$_n^{n-}$) qui étaient absents des bases de données d'entraînement (Materials Project et Alexandria) mais cohérents avec les observations expérimentales historiques.
4. Requête de propriétés unifiée : L'état « donnée-modèle » stabilisé permet l'interrogation directe des propriétés atomiques et de la structure électronique (stabilité de phase, transport ionique, densité de charge, structure de bandes) au sein d'un cadre unique, éliminant le besoin de pipelines distincts par tâche.

4. Résultats clés

• Échelle et efficacité : Sur sept itérations, le cadre a généré environ 70 000 structures candidates, dont plus de 10 000 répondent aux critères S.U.N.
• Saturation rapide : La diversité des environnements chimiques locaux a saturé en deux à trois itérations, comme l'indique la convergence de l'entropie de l'information et le chevauchement des distributions t-SNE des empreintes structurelles locales.
• Performance des modèles :
  • Le modèle DPA-3 a obtenu les meilleures performances.
  • À $N_{train} = 4050$ (environ 4 000 cadres DFT), le DPA-3 affiné a atteint une RMSE d'énergie de 6,8 meV/atome et une RMSE de force de 85,1 meV/Å.
  • La RMSE de prédiction de $E_{hull}$ est passée de 46,9 à 26,5 meV/atome.
  • Des modèles de haute fidélité ont été obtenus avec un budget de premiers principes gérable, montrant des rendements décroissants au-delà des premières itérations.
• Prédiction de propriétés :
  • Thermodynamique : Le nœud convergé a supporté des diagrammes de stabilité de phase P–T, révélant que Li$_2$PS$_3$ et Li$_3$PS$_4$ restent stables sous pression et température finies (jusqu'à 2 GPa et 300–600 K).
  • Conductivité ionique : La dynamique moléculaire à haut débit a identifié 29 candidats conducteurs de Li-ions absents du Materials Project, avec des seuils de conductivité $\ge$ 400 mS/cm.
  • Structure électronique : Un modèle intégré EAC-Net a prédit les densités de charge et les structures de bandes. Après un affinement sur seulement 34 cadres, l'erreur absolue moyenne normalisée (NMAE) pour la densité de charge a atteint $\sim$4,8 $\times$ 10$^{-3}$, reproduisant avec précision les dispersions de bandes DFT.

5. Signification et affirmations

L'article affirme que la coévolution donnée-modèle sert de principe architectural pratique pour l'infrastructure de données de matériaux de l'ère de l'IA. En traitant les bases de données comme des systèmes à état où les données et les modèles évoluent ensemble, le cadre permet :

• Croissance endogène : L'expansion de la base de données est pilotée par des boucles de rétroaction internes plutôt que par des règles externes.
• Accumulation de connaissances scalable : Les systèmes chimiques sont formalisés comme des « nœuds » qui peuvent être réutilisés, étendus, ramifiés ou transférés vers des systèmes chimiques apparentés, facilitant l'accumulation modulaire des connaissances computationnelles sur les matériaux.
• Exploration autonome : Le système peut remplir de manière autonome les lacunes des bases de données existantes en redécouvrant des motifs chimiquement plausibles absents des distributions d'entraînement, étendant ainsi efficacement l'espace de liaison chimique accessible.

Les auteurs soulignent que cette approche unifie la croissance des données et l'évolution des modèles, permettant une accumulation de connaissances continue et transférable à travers les domaines de systèmes chimiques. Ils notent des limites, notamment le fait que le cadre assure la cohérence interne au sein de systèmes bornés mais ne garantit pas la synthétisabilité expérimentale, et qu'il se concentre actuellement sur les configurations cristallines proches de l'équilibre plutôt que sur les états de transition ou les régimes extrêmes.