Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

Tout matériau possède un point de rupture, un moment où la chaleur devient trop intense à supporter et où les liaisons chimiques qui le maintiennent ensemble commencent à se briser. Pour les scientifiques qui conçoivent des matériaux énergétiques — des substances comme les explosifs et les propergols qui propulsent les fusées ou actionnent des machines — connaître ce point de rupture est une question de vie ou de mort. Si un matériau est trop instable, il pourrait exploser prématurément lors du stockage ; s'il est trop stable, il pourrait ne pas remplir sa fonction lorsqu'il est nécessaire. La méthode standard pour mesurer cette marge de sécurité consiste à chauffer un échantillon en laboratoire et à enregistrer la température exacte à laquelle il commence à se décomposer. Cependant, cette mesure simple est étonnamment difficile à accorder une confiance totale. Différents laboratoires utilisent des vitesses de chauffage différentes, des quantités d'échantillons différentes et des méthodes différentes pour rapporter les résultats. Lorsque les chercheurs tentent de rassembler ces chiffres provenant de nombreuses sources différentes pour construire un modèle informatique, les données deviennent un ensemble bruyant et incohérent, ce qui rend presque impossible l'apprentissage d'une machine pour prédire quelles nouvelles molécules seront sûres et lesquelles seront dangereuses.

Une équipe de chercheurs du Los Alamos National Laboratory et de l'Université Texas Tech a trouvé un moyen ingénieux de percer ce bruit. Au lieu d'essayer d'apprendre à un ordinateur à prédire la température exacte à laquelle une molécule va se briser, ils lui ont appris à comparer deux molécules à la fois et à décider laquelle est la plus stable. Cette approche, qu'ils appellent apprentissage différentiel, ignore les différences déroutantes entre les laboratoires et se concentre entièrement sur l'ordre relatif des matériaux. En entraînant l'intelligence artificielle à examiner des paires de molécules et à prédire la différence de stabilité entre elles, l'équipe a créé un système capable de classer des milliers de composés avec une grande précision. Leurs travaux suggèrent que, bien que nous ne puissions pas toujours faire confiance à un chiffre unique provenant d'un rapport de laboratoire, nous pouvons faire confiance de manière fiable à la relation entre deux produits chimiques différents.

Les chercheurs ont appliqué cette méthode à un ensemble de données de molécules organiques ne contenant que du carbone, de l'hydrogène, de l'azote et de l'oxygène, un groupe courant dans les matériaux énergétiques. Ils ont recueilli des données expérimentales issues d'études publiées, mais, comme on pouvait s'y attendre, les chiffres étaient incohérents. Lorsqu'ils ont tenté d'utiliser des modèles informatiques standards pour prédire la température de décomposition exacte de chaque molécule, les résultats ont été médiocres. Les modèles avaient du mal à distinguer des molécules très similaires et échouaient souvent à identifier les cas extrêmes les plus stables ou les moins stables. Cet échec a mis en évidence le problème : le bruit dans les données étouffait les véritables signaux chimiques.

Pour résoudre cela, l'équipe a changé la question. Ils ont cessé de demander à l'ordinateur : « Quelle est la température de cette molécule ? » pour demander : « Cette molécule est-elle plus stable que celle-là ? ». Ils ont fourni à l'ordinateur des paires de molécules et lui ont demandé de prédire la différence de leur stabilité. Ce changement de perspective leur a permis de générer un nombre massif d'exemples d'entraînement à partir d'un ensemble de données relativement restreint. S'ils possédaient 850 molécules, ils pouvaient créer des centaines de milliers de paires uniques à étudier. L'ordinateur a appris à repérer les caractéristiques structurelles subtiles qui font qu'une molécule tient mieux ensemble qu'une autre, filtrant efficacement les erreurs expérimentales qui affectaient les chiffres absolus.

Ils ont testé deux types de modèles informatiques pour voir lequel fonctionnait le mieux. Un modèle considérait les molécules comme de simples graphes d'atomes et de liaisons, apprenant directement de la forme de la molécule. L'autre utilisait une liste de propriétés calculées, telles que l'énergie nécessaire pour briser une liaison spécifique, pour prendre sa décision. Les deux modèles ont fonctionné remarquablement bien. Lorsqu'on leur demandait de classer les molécules dans un ensemble de test, ils identifiaient correctement le membre le plus stable d'une paire environ 87 % du temps. Il s'agissait d'une amélioration significative par rapport aux méthodes traditionnelles, qui avaient eu du mal à donner un sens aux mêmes données. Le succès des deux modèles, malgré l'utilisation de différentes manières d'observer les molécules, a donné aux chercheurs la certitude qu'ils avaient trouvé une méthode robuste pour gérer des données expérimentales désordonnées.

Au-delà du simple classement des molécules, les chercheurs voulaient comprendre ce que l'ordinateur apprenait réellement. Ils ont utilisé une technique pour jeter un coup d'œil à l'intérieur de la « boîte noire » du réseau neuronal et voir quels facteurs influençaient les prédictions. Ils ont découvert que l'ordinateur s'appuyait fortement sur deux facteurs principaux : l'équilibre de l'oxygène dans la molécule et la force de ses liaisons chimiques les plus faibles. Cela concorde avec ce que les chimistes soupçonnent depuis longtemps. Dans les matériaux énergétiques, la présence d'oxygène est souvent corrélée à une performance plus élevée mais à une stabilité moindre, tandis que la liaison la plus faible dans une chaîne agit comme un déclencheur de décomposition. Cependant, l'étude a également révélé qu'aucun facteur unique ne raconte toute l'histoire. L'ordinateur ne se contentait pas d'examiner la liaison la plus faible de manière isolée ; il considérait l'ensemble de la combinaison de la forme de la molécule, de la force de ses liaisons et de sa composition chimique. Cela suggère que la prédiction de la stabilité est un puzzle complexe où l'interaction de nombreuses petites parties importe plus que n'importe quelle pièce individuelle.

Pour démontrer comment cette intuition pourrait être utilisée dans le monde réel, l'équipe a utilisé une molécule célèbre et très stable, le TATB, comme point de départ. Ils ont demandé à l'ordinateur d'imaginer de petits changements dans la structure de la molécule et de prédire comment ces changements affecteraient sa stabilité. Le modèle a correctement identifié que le remplacement de certains groupes d'atomes par d'autres pouvait soit renforcer, soit affaiblir la molécule. Par exemple, il a prédit que remplacer certains groupes contenant de l'hydrogène par des groupes contenant de l'oxygène rendrait la molécule nettement moins stable. Inversement, il a suggéré que le retrait complet de certains groupes instables pourrait rendre la molécule encore plus robuste. Ces conclusions fournissent un guide clair pour les chimistes qui souhaitent concevoir de nouveaux matériaux : ils savent quels traits structurels conserver et lesquels éviter pour atteindre le bon équilibre entre puissance et sécurité.

L'étude conclut que cette approche différentielle est un outil puissant pour la découverte de matériaux, en particulier lorsque les données disponibles sont imparfaites. En se concentrant sur les différences relatives plutôt que sur les valeurs absolues, les chercheurs ont pu construire un modèle qui fonctionne bien malgré les incohérences dans la collecte des données. Ils ont rendu leur ensemble de données et leurs modèles publics, dans l'espoir que d'autres utilisent cette méthode pour concevoir des matériaux plus sûrs et plus efficaces. Bien que les modèles actuels soient basés sur les propriétés de molécules isolées dans le vide, les chercheurs reconnaissent que les matériaux du monde réel existent sous des formes solides où les molécules interagissent entre elles. Les travaux futurs devront tenir compte de ces interactions, mais le succès de cette nouvelle méthode offre une voie prometteuse pour naviguer dans la chimie complexe de la stabilité thermique.