Dans la quête de conception de nouveaux matériaux, les scientifiques s'appuient souvent sur un outil puissant mais coûteux en termes de calcul appelé la théorie de la fonctionnelle de la densité. Cette méthode agit comme un microscope virtuel, calculant comment les électrons se répartissent autour des atomes pour déterminer les propriétés d'un matériau, telles que sa résistance, sa conductivité ou sa capacité à conduire la chaleur. Bien qu'exactes, ces calculs sont si lents que tester ne serait-ce que quelques milliers de structures candidates peut prendre des années. Pour accélérer les choses, les chercheurs se sont tournés vers l'intelligence artificielle, plus précisément un type de modèle connu sous le nom de réseau de neurones sur graphes. Ces réseaux traitent un cristal non pas comme une grille de nombres, mais comme une carte de connexions, où les atomes sont des points et les liaisons entre eux sont des lignes. En apprenant de milliers de cristaux connus, ces cartes peuvent prédire des propriétés en une fraction de seconde. Cependant, pendant des années, ces modèles d'IA ont été fragiles, nécessitant des bibliothèques logicielles spécialisées qui se brisent souvent lors des mises à jour du matériel informatique, et ils étaient limités à la prédiction d'une seule chose à la fois, forçant les scientifiques à exécuter des modèles distincts et déconnectés pour différentes tâches.

Une équipe de chercheurs a maintenant introduit un nouveau cadre unifié appelé ALIGNN 2.0 qui résout ces problèmes en reconstruisant l'ensemble du système à partir de zéro en utilisant uniquement des composants logiciels standards et largement disponibles. Cette nouvelle approche élimine le besoin de bibliothèques spécialisées et difficiles à maintenir, rendant les modèles plus faciles à installer et à exécuter sur les dernières puces informatiques. Plus important encore, elle unifie l'ensemble du flux de travail : un seul modèle peut désormais prédire une vaste gamme de propriétés différentes à partir d'une structure cristalline, allant de nombres simples comme l'énergie à des formes complexes comme les spectres de vibration et même les forces qui maintiennent les atomes ensemble. Cela permet aux scientifiques de simuler comment un matériau se déplace et change au fil du temps, une tâche qui nécessitait auparavant un type de modèle complètement différent. Les chercheurs ont découvert que si une manière spécifique de connecter les atomes fonctionne mieux pour prédire les propriétés statiques, une méthode de connexion légèrement différente est essentielle pour simuler le mouvement sans enfreindre les lois de la physique. En maîtrisant les deux, le nouveau système peut cribler des millions de matériaux pour trouver des supraconducteurs, prédire comment ils vibreront lorsqu'ils sont chauffés, et même générer des structures cristallines entièrement nouvelles qui n'existent pas encore.

Le cœur de cette réussite réside dans la façon dont le modèle « voit » le matériau. Les modèles traditionnels regardent souvent les atomes et les lignes droites qui les connectent, mais ce nouveau système ajoute une seconde couche de vision : une carte des angles entre ces lignes. Cela permet à l'IA de comprendre la géométrie tridimensionnelle du cristal, ce qui est crucial pour prédire des propriétés comme la façon dont un matériau se courbe sous la pression ou comment il conduit l'électricité. Les chercheurs ont testé ce nouveau cadre contre trente tâches différentes, de la prédiction de l'énergie requise pour retirer une couche d'un matériau au calcul de la température à laquelle une substance devient un supraconducteur. Dans vingt-six de ces tests, le nouveau modèle a surpassé les meilleures versions précédentes, montissant des améliorations significatives dans la prédiction de réponses complexes comme la piézoélectricité, qui est la capacité d'un matériau à générer de l'électricité lorsqu'il est pressé. Le système a également prouvé sa capacité à prédire le spectre complet de la lumière qu'un matériau absorbe ou émet, correspondant aux résultats de simulations physiques traditionnelles beaucoup plus lentes.

Au-delà de la simple prédiction de ce qu'un matériau connu fera, les chercheurs ont démontré que ce cadre peut fonctionner en sens inverse pour inventer de nouveaux matériaux. En fournissant au modèle une composition chimique désirée et une propriété cible, telle qu'une température supraconductrice spécifique, le système peut générer une liste de structures cristallines candidates qui pourraient posséder ces traits. Lors de tests impliquant plus de cent mille matériaux potentiels, le système a identifié avec succès des supraconducteurs à haute température connus et a prédit leur comportement avec une grande précision. Il est même allé plus loin en prédisant la forme complète de l'interaction électron-phonon, une carte détaillée de la façon dont les électrons et les vibrations atomiques interagissent, ce qui est essentiel pour comprendre la supraconductivité. Cette capacité permet aux chercheurs de cribler de vastes bases de données de matériaux et de trouver des candidats prometteurs pour des applications réelles sans avoir besoin de les synthétiser au préalable.

La puissance de cette approche unifiée devient encore plus claire lorsqu'on observe comment elle gère le mouvement physique des atomes. Les modèles précédents pouvaient prédire l'énergie d'un cristal statique, mais ils échouaient souvent lorsqu'on leur demandait de simuler le mouvement du cristal, car leurs prédictions sautaient de manière erratique lorsque les atomes se déplaçaient légèrement. Le nouveau modèle ALIGNN 2.0, cependant, produit des prédictions lisses et continues qui conservent l'énergie, permettant de piloter des simulations réalistes de la façon dont les matériaux se comportent sous contrainte ou à des températures élevées. Les chercheurs ont testé cela en simulant le comportement du silicium et d'autres matériaux, constatant que le modèle restait stable sur de longues périodes, une exigence critique pour tout outil utilisé pour concevoir des dispositifs du monde réel. Cette stabilité signifie que le même modèle peut être utilisé pour relaxer une structure vers son état d'énergie la plus basse, calculer ses forces, puis utiliser immédiatement ces forces pour simuler la façon dont elle vibrerait ou conduirait la chaleur, le tout au sein d'un flux de travail unique et fluide.

Les implications de ce travail s'étendent à la manière même dont les scientifiques observent les matériaux. Les chercheurs ont montré que le même modèle pouvait prédire non seulement la structure et l'énergie, mais aussi les images détaillées qui apparaîtraient dans un microscope électronique. En calculant comment les atomes vibrent à température ambiante, le système pouvait simuler les taches brillantes et floues observées dans les images à haute résolution d'atomes lourds, correspondant aux résultats de simulations physiques complexes. Cela crée une boucle fermée où un modèle peut prédire une structure, simuler son apparence sous un microscope, et utiliser ensuite cette image simulée pour vérifier les propriétés de la structure. L'équipe a également appliqué cela à la conception de dispositifs complexes, tels que les jonctions tunnel magnétiques utilisées dans la mémoire informatique, où le modèle a prédit avec succès le comportement magnétique et électrique de plusieurs couches de différents matériaux empilés.

L'une des découvertes les plus significatives de l'étude est que la meilleure façon de connecter les atomes dans le modèle dépend de la tâche à accomplir. Pour prédire les propriétés statiques comme l'énergie ou les bandes interdites, une méthode qui connecte chaque atome à ses huit plus proches voisins fonctionnait le mieux, offrant une vue plus large de la structure environnante. Cependant, pour simuler le mouvement et les forces, cette méthode posait des problèmes car la liste des voisins changeait soudainement à mesure que les atons se déplaçaient, créant des sauts d'énergie irréalistes. Les chercheurs ont découvert qu'utiliser une méthode basée sur une distance fixe, où les atomes sont connectés s'ils se trouvent dans une certaine portée, fournissait les transitions fluides nécessaires aux simulations de mouvement précises. Bien que cette méthode basée sur la distance soit légèrement moins précise pour les prédictions statiques, elle était la seule capable de gérer simultanément les deux tâches sans se briser. Ce compromis souligne une idée clé : le choix de la manière de représenter la géométrie du matériau est tout aussi important que l'algorithme d'apprentissage lui-même.

Les chercheurs ont également exploré si l'ajout d'une couche supplémentaire d'information sur les angles de liaison, séparée de la structure principale, améliorerait la capacité du modèle à générer de nouveaux cristaux. Ils ont découvert que si cette information supplémentaire aidait le modèle à apprendre la géométrie des angles, elle n'améliorait pas systématiquement le résultat final lorsqu'elle était combinée à la carte structurelle principale. Dans certains cas, les deux sources d'information entraient même en conflit, suggérant que la carte principale contenait déjà assez de détails sur les angles. Ces tests minutieux de différents composants garantissent que le modèle final n'est pas seulement une collection de caractéristiques, mais un système rationalisé où chaque partie sert un but clair. Le résultat est un outil non seulement plus précis, mais aussi plus efficace, capable de fonctionner sur du matériel standard et de passer à l'échelle pour des systèmes comprenant des centaines de milliers d'atomes.

En fin de compte, ce travail représente un passage de la construction d'outils spécialisés à usage unique vers la création d'un cadre polyvalent et tout-en-un. En unifiant la prédiction des propriétés, des forces et des spectres, et en permettant la génération de nouvelles structures, les chercheurs ont fourni une nouvelle façon puissante d'explorer le vaste paysage des matériaux possibles. Le système est déjà utilisé pour cribler de vastes bases de données de matériaux connus et hypothétiques, identifiant des candidats pour les supraconducteurs, les batteries et d'autres technologies. Parce que le modèle est construit sur des logiciels standards et peut fonctionner sur les dernières puces informatiques, il est accessible à un large éventail de scientifiques, accélérant potentiellement la découverte de nouveaux matériaux qui pourraient résoudre certains des défis énergétiques et technologiques les plus pressants de notre monde. La capacité de prédire comment un matériau se comportera, comment il vibrera et même à quoi il ressemblera sous un microscope, tout cela à partir d'un seul modèle unifié, marque une étape importante dans le domaine de la découverte de matériaux par calcul.