Enabling large language model agents for high-fidelity many-body perturbation theory calculations

Pour comprendre le monde matériel, les scientifiques observent souvent la manière dont les atomes se comportent lorsqu'ils sont excités, par exemple lorsque la lumière frappe une cellule solaire ou qu'un courant électrique traverse une puce. Si les modèles informatiques standards peuvent décrire la position statique des atomes, ils peinent à prédire ce qui se passe lorsque les électrons sautent vers des niveaux d'énergie supérieurs ou interagissent avec les vibrations du réseau cristallin. Pour obtenir ces réponses avec précision, les chercheurs utilisent un ensemble de techniques mathématiques avancées connues sous le nom de théorie des perturbations à corps multiples. Ces méthodes sont incroyablement puissantes et précises, mais elles sont également notoirement difficiles à utiliser. Elles exigent qu'un chercheur agisse comme un maître chef d'orchestre, reliant manuellement plusieurs logiciels différents, chacun ayant son propre langage et ses propres règles. Si les paramètres d'un programme ne correspondent pas parfaitement au suivant, l'ensemble du calcul échoue, souvent de manières difficiles à détecter avant d'avoir gaspillé des heures de temps de calcul. Cette complexité a tenu ces outils puissants hors de portée de tous, sauf des experts hautement spécialisés.

Une équipe de chercheurs a désormais développé un nouveau système conçu pour combler cette lacune, permettant à l'intelligence artificielle de prendre en charge la partie complexe de ces calculs. Les scientifiques ont testé si les modèles de langage de grande taille modernes — des systèmes d'IA avancés capables de raisonner et de suivre des instructions — pouvaient configurer automatiquement ces flux de travail difficiles par eux-mêmes. Ils ont constaté que sans aide, même les modèles d'IA les plus sophistiqués échouaient à construire un calcul fonctionnel plus souvent qu'ils ne réussissaient. Les modèles commettaient fréquemment des erreurs subtiles, telles que le mauvais alignement de la grille de points utilisée pour cartographier les propriétés du matériau, ce qui entraînait plus tard l'effondrement de tout le processus. Cependant, lorsque les chercheurs ont introduit un nouveau cadre appelé AI-Donkey, les résultats ont radicalement changé. Ce système agit comme un guide expérimenté, fournissant à l'IA des instructions préparées par des experts et un ensemble d'outils rigides qui garantissent que chaque étape se connecte correctement à la suivante. Avec cette assistance, les agents d'IA, allant des modèles commerciaux puissants aux versions open-source, ont été capables d'exécuter des calculs complets et sans erreur pour une variété de matériaux, incluant des tubes unidimensionnels, des feuilles bidimensionnelles et des blocs solides.

Le cœur du problème que les chercheurs ont abordé réside dans la nature de ces calculs. Contrairement aux simulations informatiques plus simples qui restent dans un seul programme, la théorie des perturbations à corps multiples nécessite une chaîne d'événements où la sortie d'un progiciel devient l'entrée d'un autre. Chaque étape dépend de détails physiques précis, tels que la symétrie du matériau et l'arrangement spécifique des atomes. Si un chercheur commet une petite erreur lors de la première étape, cette erreur se propage tout au long de la chaîne, corrompant le résultat final. L'équipe a découvert que les modèles d'IA actuels, malgré leur capacité à écrire du code et à répondre à des questions, manquent de la connaissance approfondie et spécifique du domaine requise pour gérer ces chaînes de manière fiable. Lorsqu'on leur demandait de configurer un calcul pour un matériau comme le silicium, l'IA inventait souvent les paramètres nécessaires. Lors d'un test, l'IA a configuré avec succès un calcul de base environ la moitié du temps, mais pour des tâches plus complexes impliquant des propriétés optiques ou des vibrations électroniques, le taux de réussite est tombé à seulement 19 %. Les modèles inventaient souvent des paramètres qui semblaient plausibles mais qui étaient physiquement incorrects, menant à des calculs qui ne pouvaient pas être exécutés ou qui produisaient des données inutilisables.

Pour résoudre cela, les chercheurs ont construit AI-Donkey, un cadre qui ne repose pas sur l'IA pour deviner les règles. Au lieu de cela, le système fournit à l'IA une bibliothèque structurée de connaissances expertes et un ensemble d'outils automatisés qui imposent la cohérence. Considérez l'IA comme un architecte qualifié capable de concevoir un bâtiment, mais qui a besoin d'un contremaître pour s'assurer que les briques sont posées selon le plan ; AI-Donkey agit comme ce contremaître. Le système décompose le calcul complexe en étapes gérables, chacune guidée par un document de « compétence » spécifique écrit par des experts humains. Ces documents expliquent exactement quelles informations sont nécessaires, ce que l'ordinateur doit faire et quels sont les erreurs courantes à éviter. L'IA utilise ensuite ces documents pour diriger un ensemble de programmes informatiques qui génèrent les fichiers nécessaires et les lient entre eux. Comme les outils informatiques gèrent les détails techniques et vérifient les erreurs automatiquement, l'IA n'a plus besoin de mémoriser chaque règle ou de s'inquiéter de faire une faute de frappe qui briserait la chaîne.

Les résultats de cette approche ont été frappants. Lorsque les chercheurs ont testé les mêmes modèles d'IA avec le cadre AI-Donkey, le taux de réussite a bondi à près de 100 %. Chaque tentative, qu'elle utilise un modèle commercial de premier plan ou une version open-source plus petite, a produit un flux de travail complet et exécutable qui passait tous les contrôles. Le système fonctionnait de manière cohérente à travers des essais répétés, éliminant les échecs aléatoires qui affectaient les modèles non assistés. Les chercheurs ont démontré cette capacité en demandant à l'IA de calculer de manière autonome les propriétés de plusieurs matériaux différents, notamment une couche unique d'un composé de molybdène et de sélénium, une feuille d'atomes de carbone connue sous le nom de graphène, et un tube d'atomes de carbone. Dans chaque cas, l'IA a correctement identifié les paramètres spécifiques nécessaires à la structure unique de ce matériau, a exécuté les calculs sur de puissants supercalculateurs, et a même analysé les résultats pour produire des visualisations du comportement des électrons.

L'étude a également repoussé les limites de ce que l'IA peut accomplir dans ce domaine en s'attaquant à un calcul particulièrement difficile appelé la théorie des perturbations GW, utilisée pour étudier comment les électrons interagissent avec les vibrations du matériau. Cette tâche spécifique n'avait jamais été automatisée auparavant et implique la coordination de quatre progiciels différents. Sans le cadre AI-Donkey, les modèles d'IA échouaient complètement, incapables de comprendre les exigences strictes de liaison entre les programmes. Avec le cadre, cependant, l'IA a réussi à compléter l'ensemble du processus, gérant correctement les dépendances complexes entre les différentes étapes. Cela incluait le calcul de la réponse d'un semi-conducteur polaire comme le carbure de silicium aux champs électriques, une tâche qui nécessite une gestion précise des forces à longue portée, difficiles à modéliser. Les chercheurs ont constaté que l'IA pouvait même effectuer des tâches avancées, telles que tester différents paramètres pour s'assurer de l'exactitude des résultats, un processus connu sous le nom de test de convergence, qui est habituellement une tâche fastidieuse et chronophage pour les scientifiques humains.

Les implications de ce travail vont au-delà de la simple accélération des calculs. En créant un système capable de guider de manière fiable l'IA à travers des flux de travail scientifiques complexes, les chercheurs ont ouvert la voie à une gamme plus large de scientifiques pour utiliser ces outils puissants. Le cadre est conçu pour être flexible, ce qui signifie qu'il peut être mis à jour pour inclure de nouvelles méthodes et de nouveaux logiciels à mesure qu'ils sont développés. L'équipe a montré que le système pouvait intégrer des fonctionnalités avancées, telles que des techniques pour accélérer les calculs pour les grands systèmes, sans nécessiter une réécriture complète. Cela suggère qu'à l'avenir, les scientifiques pourraient demander à une IA d'explorer de nouveaux matériaux ou de tester de nouvelles théories sans avoir besoin d'être un expert des codes informatiques sous-jacents. La conclusion clé est que, bien que l'IA s'améliore dans sa capacité de raisonnement, elle a toujours besoin d'un environnement structuré et guidé par des experts pour gérer les processus rigides et multi-étapes requis dans la science de haut niveau. En combinant la puissance de raisonnement de l'IA avec la fiabilité des connaissances curatées par l'humain, les chercheurs ont tracé une voie vers une découverte scientifique pleinement autonome dans le domaine de la science des matériaux.