Energetically Driven Structure Matching for Autonomous Total X-ray Scattering Experiments

Dans la quête moderne de la découverte de nouveaux matériaux, les scientifiques se tournent de plus en plus vers des laboratoires qui s'auto-gèrent. Ces « laboratoires autonomes » utilisent des robots pour mélanger des produits chimiques, des ordinateurs puissants pour analyser les résultats et l'intelligence artificielle pour décider de la marche à suivre, le tout dans une boucle continue. L'objectif est d'accélérer le processus de recherche de matériaux possédant des propriétés spécifiques, telles que de meilleures batteries ou des catalyseurs plus efficaces. Cependant, un obstacle majeur subsiste : savoir exactement ce que le robot a réellement créé. Lorsqu'une machine synthétise une minuscule particule, l'ordinateur peut prédire une forme parfaite, mais la particule réelle pourrait être légèrement différente en raison des réalités désordonnées de la chaleur, de la tension superficielle et du stress atomique. Si le système ne peut pas lire avec précision la structure réelle du matériau qu'il vient de fabriquer, il ne peut pas apprendre efficacement ni guider l'étape suivante avec précision. Ce fossé entre le modèle idéalisé de l'ordinateur et la réalité physique de l'atome est l'endroit où la prochaine percée de la science autonome doit avoir lieu.

Une équipe de chercheurs de l'Université technique du Danemark et de l'Université IT de Copenhague a développé une nouvelle façon de combler ce fossé, spécifiquement pour les expériences impliquant des nanoparticules d'or. Ces minuscules particules, faisant souvent seulement quelques nanomètres de large, sont cruciales pour de nombreuses technologies, mais leur arrangement interne d'atomes détermine leur comportement. Les chercheurs se sont concentrés sur une technique appelée diffusion totale des rayons X, où un faisceau de rayons X frappe les particules et rebondit selon un motif qui révèle leur structure atomique. Dans les expériences autonomes précédentes, le système comparait le motif de rayons X expérimental à une bibliothèque de motifs générés par ordinateur basés sur des formes géométriques parfaites comme des sphères ou des octaèdres. Bien que rapide, cette méthode entraînait souvent des erreurs. L'ordinateur indiquait au robot qu'il avait fabriqué une forme spécifique, pour découvrir plus tard que la particule était en fait d'une taille ou d'une forme différente parce que le modèle informatique avait ignoré la manière dont les atomes se déplacent et s'étirent lorsqu'ils sont libres à la surface d'une minuscule particule.

Pour résoudre cela, l'équipe a introduit une méthode qui intègre l'énergie et la chaleur dans les modèles informatiques. Au lieu de simplement regarder des formes statiques et parfaites, ils ont utilisé un programme informatique sophistiqué basé sur l'apprentissage automatique pour simuler la manière dont les atomes dans les particules d'or se relaxeraient et se déplaceraient réellement. Ils ont testé trois niveaux de détail. Le premier était la forme simple et idéalisée, rapide à calculer mais souvent erronée. Le deuxième consistait à laisser l'ordinateur « relaxer » les atomes, permettant ainsi de passer à une position de plus basse énergie et plus stable, ce qui corrigeait de nombreuses erreurs de taille. Le troisième, et le plus détaillé, consistait à simuler les particules comme si elles vibraient sous l'effet de la chaleur, créant un nuage dynamique de formes possibles plutôt qu'une image unique et figée. Lorsqu'ils ont comparé ces trois approches aux données réelles de rayons X provenant de nanoparticules d'or, les résultats étaient clairs. Les modèles simples sous-estimaient systématiquement la taille des particules et confondaient parfois une forme avec une autre. Les modèles tenant compte de la relaxation atomique étaient bien meilleurs, mais les modèles incluant le mouvement thermique des atomes correspondaient presque parfaitement aux données expérimentales réelles.

Les chercheurs ont découvert que les modèles simples échouaient car ils traitaient les particules comme des blocs rigides, ignorant le fait que les atomes de surface sont moins contraints et tirent souvent vers l'intérieur ou se déplacent pour relâcher la tension. Cette distorsion modifie la façon dont les rayons X sont diffusés, conduisant l'ordinateur à deviner la mauvaise taille ou la mauvaise forme. En utilisant les modèles basés sur l'apprentissage automatique pour tenir compte de ces déformations, le système pouvait distinguer des formes de apparence similaire, telles qu'un décaèdre (une forme à dix faces) et un octaèdre (une forme à huit faces), que les modèles simples confondaient souvent. De plus, l'équipe a constaté que la simulation des particules dans le vide à une température légèrement inférieure produisait des résultats presque identiques à la simulation dans l'eau, ce qui constitue un avantage pratique majeur. Cela signifie que l'ordinateur peut exécuter ces simulations complexes et sensibles à la chaleur beaucoup plus rapidement sans avoir besoin de modéliser le liquide environnant, rendant le processus réalisable pour une utilisation en temps réel.

Pour permettre à ce haut niveau de précision de fonctionner dans les limites de temps serrées d'une expérience autonome, l'équipe a conçu une stratégie d'« entonnoir ». Imaginez un processus qui commence par un filet large et se rétrécit rapidement pour ne cibler que les candidats les plus prometteurs. D'abord, le système utilise les modèles simples et rapides pour scanner un large éventail de possibilités et identifier quelques formes et tailles probables. Il prend ensuite uniquement ces meilleurs candidats et exécute les simulations de relaxation plus détaillées et sensibles à l'énergie pour affiner la liste. Enfin, il applique les modèles les plus coûteux en termes de calcul, ceux simulant la chaleur, uniquement aux meilleures options restantes. Cette approche hiérarchique permet au système d'obtenir l'information structurelle la plus précise possible sans attendre des heures que l'ordinateur termine ses calculs. Lors des tests, cette méthode a pu identifier la structure la mieux adaptée dans une fenêtre de quinze minutes, un délai qui correspond au cycle d'une expérience de synthèse autonome réelle.

Les implications de ce travail s'étendent au-delà des simples nanoparticules d'or. En prouvant que la correspondance de structure pilotée par l'énergie peut fonctionner en parallèle avec la synthèse, les chercheurs ont montré une voie vers des laboratoires qui ne se contentent pas de suivre un plan préétabli, mais peuvent adapter leurs objectifs en fonction de ce qu'ils trouvent réellement. Si le système réalise qu'une forme spécifique est impossible à fabriquer dans les conditions actuelles, ou qu'une forme légèrement différente est énergétiquement plus stable, il peut mettre à jour sa cible en temps réel. Cela fait passer la science autonome de la simple tentative d'atteindre une cible statique à l'exploration du paysage de ce qui est physiquement possible. L'étude démontre qu'en combinant un criblage rapide et des simulations ciblées de haute fidélité, les scientifiques peuvent enfin donner aux laboratoires autonomes la capacité de voir la véritable structure atomique des matériaux qu'ils créent, transformant une supposition aveugle en une décision claire et éclairée.