Interpretable physics-informed retrieval-augmented generation language model for end-to-end inorganic crystal synthesis planning

Pendant des décennies, la découverte de nouveaux matériaux solides a été un jeu à deux vitesses. D'un côté, de puissants ordinateurs peuvent prédire l'existence d'innombrables nouveaux cristaux, calculant comment leurs atomes pourraient s'organiser pour former des structures stables. De l'autre côté, les chimistes humains doivent découvrir comment les construire réellement en laboratoire. Cette seconde étape est notoirement difficile. Savoir qu'un matériau pourrait exister est très différent de savoir comment le fabriquer. Un ordinateur peut vous dire qu'un nouveau cristal est stable, mais il ne peut pas vous dire quels poudres mélanger, à quelle température les chauffer, ou si le processus nécessite un vide spécial ou une pression écrasante. Pendant longtemps, ces deux mondes — la prédiction théorique et la recette pratique — ont évolué séparément, laissant un fossé immense entre ce que nous pouvons imagorder et ce que nous pouvons créer.

Une équipe de chercheurs a désormais construit un pont pour combler ce fossé en utilisant un nouveau type d'intelligence artificielle. Ils ont développé un système qui ne se contente pas de deviner ; il lit l'histoire de la chimie pour trouver la bonne voie à suivre. Au lieu de traiter la création d'un nouveau matériau comme une simple question de oui ou de non, le système traite cela comme un problème de planification complexe. Il examine un matériau cible et demande : « Qu'avons-nous fabriqué auparavant qui ressemble à ceci ? » Il extrait ensuite des recettes spécifiques et réelles de milliers d'expériences passées. En combinant ces archives historiques avec les lois de la physique, le système peut suggérer un plan étape par étape pour fabriquer un nouveau cristal, incluant les ingrédients exacts et les conditions nécessaires.

Le cœur de ce travail est une immense bibliothèque de connaissances organisée appelée la Base de Connaissances de Synthèse Structurée (Structured Synthesis Knowledge Base). Les chercheurs ont alimenté ce système avec des informations sur 13 820 cristaux inorganiques différents qui ont déjà été fabriqués avec succès dans des laboratoires à travers le monde. Ils n'ont pas seulement stocké les noms de ces matériaux ; ils ont décomposé les récits de la manière dont ils ont été fabriqués. Pour chaque cristal, le système a enregistré la méthode spécifique utilisée, les produits chimiques de départ, les températures et les pressions. Pour rendre ces données exploitables par un ordinateur, ils ont traduit le langage complexe des structures cristallines en descriptions simples que l'IA pouvait comprendre, liant la forme des atomes aux méthodes utilisées pour les assembler.

Lorsqu'un scientifique souhaite créer un nouveau matériau, ce système, qu'ils appellent PIRAG-LM, commence par chercher des précédents. Il ne se contente pas de rechercher des mots qui se ressemblent. Au lieu de cela, il utilise trois lentilles différentes pour trouver les meilleures correspondances. Premièrement, il vérifie la similitude chimique, cherchant des matériaux composés des mêmes types d'atomes. Deuxièmement, il vérifie la similitude structurelle, trouvant des matériaux qui partagent le même arrangement géométrique des atomes. Troisièmement, et c'est peut-être le plus important, il vérifie la similitude thermodynamique, qui est liée à l'énergie que contient le matériau et à sa stabilité. En combinant ces trois perspectives, le système trouve les exemples historiques les plus pertinents, même s'ils ont été fabriqués il y a des décennies ou dans un laboratoire complètement différent.

Une fois que le système a trouvé ces précédents historiques, il utilise un grand modèle de langage pour agir comme un moteur de raisonnement. Il prend les recettes du passé et les adapte au nouveau matériau. Il propose une liste de routes candidates, suggérant quels produits chimiques mélanger et quelles conditions appliquer. Crucialement, il ne donne pas seulement une réponse ; il explique son raisonnement. Il peut pointer un exemple d'expérience passée et dire : « Nous suggérons cette température parce qu'un matériau similaire a été fabriqué à cette chaleur », ou « Nous recommandons ce produit chimique car il a fonctionné pour un matériau ayant la même structure atomique. » Cela rend le processus transparent, permettant aux experts humains de voir exactement d'où vient le conseil et de le vérifier.

Les chercheurs ont testé ce système en lui demandant de prédire comment fabriquer des matériaux qui ont été rapportés dans la littérature scientifique entre 2021 et 2026, en utilisant uniquement les connaissances disponibles avant 2021. Le système a été remarquablement précis. Il a correctement prédit la méthode de synthèse générale de 87,2 % des matériaux, une amélioration significative par rapport à l'utilisation d'un modèle de langage seul, qui n'avait réussi que 72,1 % des cas. Lorsque le système a été davantage affiné pour inclure des données spécifiques sur la stabilité sous haute pression et les techniques de croissance en couches minces, sa précision est montée à 91,4 %. Cela a prouvé que le système ne faisait pas que mémoriser du texte, mais comprenait véritablement les relations physiques entre les matériaux et les méthodes utilisés pour les créer.

Pour prouver que cette approche fonctionne dans le monde réel, l'équipe ne s'est pas arrêtée aux simulations informatiques. Ils ont pris cinq nouveaux composés complètement inédits qui n'avaient jamais été fabriqués auparavant et ont demandé au système de concevoir un plan de synthèse pour chacun d'eux. Ces matériaux comprenaient des composants potentiels pour les piles à combustible et des candidats pour contrôler la façon dont les objets se dilatent ou se contractent avec la chaleur. Le système a généré des plans détaillés, suggérant des poudres de départ spécifiques et des programmes de chauffage. Les chercheurs sont ensuite allés au laboratoire et ont suivi ces plans, affinant les conditions sur la base de l'évaluation des experts et des retours expérimentaux. Ils ont réussi à créer les cinq nouveaux composés. Les cristaux qu'ils ont produits correspondaient aux prédictions théoriques, confirmant que l'IA avait fourni une feuille de route viable de la théorie à la réalité, tout en soulignant que l'itération par l'expert était nécessaire pour identifier les conditions de travail spécifiques pour chaque matériau.

Ce qui rend cette réussite particulièrement puissante, c'est la manière dont le système gère ses propres limites. Si le système rencontre un matériau qui nécessite une pression très élevée ou une technique de couche mince spéciale qui n'est pas bien représentée dans sa bibliothèque, il peut être mis à jour immédiatement. Les chercheurs ont simplement ajouté de nouveaux enregistrements concernant les expériences à haute pression ou la croissance en couches minces à la base de données, et le système a instantanément appris à suggérer ces méthodes pour les cibles futures. Il n'a pas été nécessaire de réentraîner l'IA entière ou de repartir de zéro. Cette flexibilité signifie que l'outil peut croître et s'améliorer à mesure que les scientifiques découvrent de nouvelles choses sur le monde physique, réduisant constamment la distance entre ce que nous pouvons calculer et ce que nous pouvons construire.

Le succès de ce projet suggère une nouvelle voie pour la science des matériaux. Il fait passer le domaine d'une vision binaire où un matériau est soit possible, soit impossible, vers une compréhension plus nuancée de la manière de le fabriquer. En reliant les lois abstraites de la physique à la réalité complexe et pratique des expériences de laboratoire, ce système fournit un chemin clair et fondé sur des preuves pour la découverte. Il montre que lorsque l'intelligence artificielle est ancrée dans la réalité physique et les données historiques, elle peut faire plus que prédire ; elle peut guider les mains humaines dans la création des matériaux du futur.