Phenomenon-first problem formulation with language models in metal-organic frameworks

Dans le vaste monde de la science des matériaux, les chercheurs cherchent souvent de nouvelles substances en fixant un objectif précis, comme trouver un matériau capable de stocker plus d'hydrogène ou de filtrer le dioxyde de carbone plus efficacement. Ils demandent à des ordinateurs d'optimiser un nombre, comme la capacité ou la vitesse, puis cherchent un matériau qui atteint cette cible. Cependant, il existe une autre façon d'envisager la découverte. Au lieu de demander « quel matériau est le meilleur pour ce travail », on pourrait demander « quelle chose étrange et inattendue pourrait se produire si nous mettions ces deux éléments ensemble ? » Cette approche se concentre sur le comportement lui-même plutôt que sur l'utilité. Elle recherche des phénomènes qualitatifs — des histoires physiques uniques qui émergent lorsqu'une molécule invitée, comme un gaz ou un liquide, interagit avec un matériau hôte possédant une forme ou une personnalité chimique spécifique. Les matériaux hôtes de cette histoire sont des réseaux organométalliques (MOF), qui sont comme des éponges microscopiques construites à partir de points métalliques reliés par des structures organiques. Ces éponges possèdent des pores minuscules et complexes où les molécules peuvent être piégées. La question qui guidait cette recherche était de savoir si une intelligence artificielle pouvait observer les règles fondamentales du comportement d'une molécule invitée et les capacités de base d'un matériau hôte, puis inventer une nouvelle histoire physique plausible sur ce qui pourrait se passer entre eux, sans qu'on lui dise quoi chercher ou quel matériau utiliser.

Un chercheur de l'Institut de science et de technologie avancée de Corée s'est mis à tester cette idée en utilisant un grand modèle de langage, un type de programme informatique avancé entraîné sur de vastes quantités de textes. Il n'a pas demandé à l'ordinateur de trouver une meilleure batterie ou un filtre plus propre. À la place, il a donné au modèle trois informations distinctes : une description de la nature physique d'une molécule invitée, une description de ce qu'un matériau hôte est capable de faire, et les conditions de fonctionnement, telles que la température ou la pression. Le modèle a ensuite été invité à imaginer un comportement non évident et inhabituel qui pourrait découler de l'interaction de ces ingrédients. Il devait proposer un mécanisme spécifique, décrire comment vérifier si le comportement était réel, et expliquer ce qui prouverait que l'idée était fausse. Le chercheur a généré quatre-vingts combinaisons différentes d'invités et d'hôtes, allant de gaz simples comme l'hydrogène à des mélanges comme l'éthanol et l'eau. L'ordinateur a produit cinquante-sept propositions distinctes de nouveaux phénomènes physiques, tout en admettant qu'il ne pouvait pas trouver d'histoire unique pour les vingt-trois cas restants. Ce processus a montré que le modèle pouvait aller au-delà de la simple optimisation de propriétés connues et, au lieu de cela, agir comme un partenaire créatif dans la formulation de nouvelles questions scientifiques.

Pour voir si ces idées tenaient la route, le chercheur a sélectionné les propositions les plus prometteuses et les a testées face à de vrais matériaux. Il ne cherchait pas seulement un matériau qui se trouvait correspondre par hasard ; il cherchait des matériaux qui exécuteraient réellement le comportement spécifique et inhabituel que l'ordinateur avait prédit. Deux de ces prédictions se sont distinguées comme des études de cas réussies. La première concernait un mélange d'éthanol et d'eau à l'intérieur d'un matériau poreux. L'ordinateur a émis l'hypothèse que si un matériau possédait un motif spécifique de sites de liaison hydrogène, l'ajout d'eau pourrait forcer les molécules d'éthanol déjà piégées à changer d'orientation. À l'état sec, l'éthanol resterait collé au matériau dans une direction, mais l'arrivée de l'eau stabiliserait une version inversée où la molécule se retourne. Lorsque le cherchenaire a simulé ce scénario dans de vrais réseaux organométalliques, il a constaté que la prédiction était correcte. Dans des matériaux spécifiques, l'ajout d'eau a effectivement provoqué la réorientation de l'éthanol, passant d'un état ancré et sec à un état humide et inversé, tout en restant piégé dans la même petite cavité. Il ne s'agissait pas seulement d'un changement dans la quantité de liquide absorbée ; c'était un changement fondamental dans la façon dont les molécules étaient disposées, exactement comme le modèle l'avait suggéré.

La seconde réussite concernait l'hydrogène gazeux à des températures extrêmement basses. L'ordinateur a proposé que, dans un matériau possédant deux types différents de pores connectés — l'un profond et étroit, l'autre peu profond et large — le comportement de l'hydrogène s'inverserait en devenant plus froid. Classiquement, l'hydrogène préférerait la poche la plus profonde et la plus attractive. Cependant, le modèle a suggéré que les effets quantiques, qui deviennent significatifs pour les molécules très légères à basse température, rendraient la poche profonde trop restrictive. La pénalité de confinement dans l'espace étroit deviendrait si grande que l'hydrogène préférerait alors la poche plus superficielle et plus spacieuse. Le chercheur a testé cela en effectuant des simulations détaillées sur une base de données de milliers de réseaux organométalliques réels. Il a découvert que dans certains matériaux, la prédiction de l'ordinateur était exacte : à mesure que la température chutait, la population d'hydrogène passait de la région profonde à la région superficielle, défiant l'attente classique. Ce renversement était piloté par la nature quantique des atomes d'hydrogène, confirmant une relation physique subtile que le modèle avait identifiée avant même qu'un matériau spécifique ne soit choisi.

L'étude a également comparé cette méthode consistant à donner au modèle à la fois les informations sur l'invité et l'hôte contre une approche plus simple où le modèle n'était donné que l'invité et devait deviner quel type d'hôte serait nécessaire. Lorsque le chercheur fournissait explicitement les capacités de l'hôte, le modèle générait une variété beaucoup plus large de mécanismes physiques. Il a exploré vingt et une familles de comportements différentes, alors que l'approche basée uniquement sur l'invité n'en a trouvé que huit. Cela suggère que donner à l'ordinateur une image claire des capacités de l'hôte l'aide à réfléchir de manière plus large aux possibilités, même si cela produit moins d'idées au total. Le chercheur a pris soin de noter que ces résultats ont été obtenus par des simulations informatiques et que les modèles utilisés étaient des approximations de la réalité. Il n'a pas prétendu avoir construit une nouvelle machine ou observé ces effets dans un laboratoire physique, mais les simulations étaient suffisamment robustes pour montrer que les phénomènes étaient physiquement plausibles et méritaient d'être étudiés plus avant.

En fin de compte, ce travail démontre un changement dans la manière dont l'intelligence artificielle peut assister la science. Plutôt que d'être simplement un outil pour exécuter une tâche prédéfinie, le modèle a agi comme un générateur des tâches elles-mêmes. Il a pris des ingrédients physiques de base et les a tissés en de nouveaux récits testables sur la façon dont la matière se comporte. Le chercheur a souligné que ce processus était toujours guidé par des scientifiques humains qui encadraient les questions, sélectionnaient les candidats et interprétaient les résultats. L'ordinateur n'a pas remplacé le scientifique, mais a offert un moyen de regarder en amont, en formulant les questions mêmes qui pourraient mener à de nouvelles découvertes. En figeant les idées de l'ordinateur avant de consulter la littérature existante ou de choisir des matériaux spécifiques, l'équipe s'est assurée que les suggestions étaient véritablement prospectives. Le succès de la réorientation de l'éthanol et de l'inversion de l'hydrogène montre que cette approche « axée sur le phénomène » peut révéler des relations physiques cachées, transformant la recherche de nouveaux matériaux en une recherche de nouvelles histoires sur la façon dont le monde fonctionne.