MASON: Materials Atomistic Structure builder Operated in Natural language

Dans le monde de la science des matériaux, les chercheurs doivent souvent construire de minuscules et parfaits modèles de la matière pour comprendre comment les choses fonctionnent à l'échelle atomique. Imaginez que vous essayiez de prédire comment une nouvelle batterie retiendra sa charge ou comment un médicament interagira avec une cellule ; les scientifiques font cela en créant des versions numériques d'atomes disposés selon des motifs spécifiques. Ces motifs, connus sous le nom de structures cristallines, sont les plans de tout, des puces de silicium dans les ordinateques aux métaux dans les moteurs de jets. Pour les étudier, les scientifiques utilisent des ordinateurs puissants pour exécuter des simulations, mais avant que l'ordinateur ne puisse commencer à travailler, un humain doit d'abord construire le modèle. C'est une tâche délicate. Si les atomes sont placés même légèrement mal, toute la simulation échoue et les résultats deviennent sans aucun sens. Pendant des décades, cette étape a nécessité qu'un chercheur écrive un code informatique complexe ou manipule manuellement des formes 3D, un processus lent, sujet à l'erreur humaine et difficile à gérer de manière autonome par la nouvelle génération d'intelligence artificielle.

Une équipe de chercheurs a maintenant introduit un nouvel outil appelé MASON, conçu pour combler ce fossé entre l'intention humaine et la construction numérique. Le système permet aux scientifiques de décrire la structure dont ils ont besoin en utilisant un anglais ordinaire, et un agent d'intelligence artificielle traduit ces mots en un modèle atomique précis et sans erreur. Au lieu de demander à l'IA d'écrire du code qui pourrait contenir des erreurs, MASON fournit à l'IA un ensemble dédié d'outils spécialisés qu'elle peut utiliser directement. Considérez cela comme le fait de donner à un constructeur un ensemble de briques préfabriquées et parfaitement calibrées et un marteau, plutôt que de lui demander de mélanger le ciment et de façonner les briques à partir de zéro à chaque fois. Les chercheurs ont démontré que cette approche fonctionne de manière fiable, permettant à une IA de prendre une requête simple telle que « construire un modèle de monoxyde de carbone collé à une surface de platine » et de produire une structure complexe et scientifiquement valide, prête pour la simulation.

Le défi central auquel les chercheurs ont été confrontés est que, bien que l'IA moderne puisse tenir une conversation et raisonner sur des problèmes, elle a du mal avec les règles spécifiques et rigides de la cristallographie. Par le passé, si un scientifique voulait qu'une IA construise un modèle, l'IA devait écrire un programme pour le faire. C'est risqué car une infime erreur dans le code pourrait entraîner un chevauchement d'atomes ou une structure qui n'existe pas dans la réalité. Le système MASON change cette dynamique en agissant comme un serveur spécialisé qui se situe entre l'IA et le processus de construction. Lorsqu'un chercheur pose une question, l'IA décompose la requête en une séquence d'étapes et fait appel à MASON pour effectuer chacune d'elles. MASON exécute ensuite l'opération, comme couper une tranche d'un cristal ou ajouter un atome manquant, et signale immédiatement ce qu'il a construit. Cette boucle de rétroaction garantit que si une étape échoue, l'IA voit le résultat et peut corriger son mouvement suivant avant que le modèle ne soit finalisé.

Le système est organisé en cinq catégories principales d'outils qui couvrent l'ensemble du cycle de vie de la construction d'un modèle. Premièrement, il peut analyser les structures existantes pour vérifier si elles sont valides, en comptant les atomes et en mesurant les distances entre eux. Deuxièmement, il peut créer des versions plus grandes d'un cristal ou introduire des défauts spécifiques, comme supprimer un atome pour simuler un défaut. Troisièmement, il peut découper un bloc de matériau pour créer une surface plane, ce qui est essentiel pour étudier comment les produits chimiques interagissent avec les métaux. Quatrièmement, il peut placer des molécules sur ces surfaces à des endroits précis. Enfin, il peut combiner deux matériaux différents pour voir comment ils s'assemblent, un processus connu sous le nom de création d'une hétérostructure. Dans chaque cas, l'outil effectue le travail lourd de la géométrie, garantissant que les atomes sont espacés correctement et que la symétrie est maintenue.

Pour prouver que le système fonctionne, les chercheurs ont parcouru un exemple complet de construction d'un modèle de monoxyde de carbone adsorbé sur une surface de platine. Le processus a commencé par l'ordre donné à l'IA de demander à MASON de lire la structure de base du platine massif et de vérifier sa forme. Ensuite, l'IA a ordonné à MASON de découper une tranche mince de ce matériau, spécifiquement une couche de quatre atomes d'épaisseur, et de fixer les deux couches inférieures pour imiter un bloc solide. Le système a ensuite étendu cette tranche pour créer une surface plus large et a identifié les points spécifiques où une molécule de monoxyde de carbone pourrait s'attacher. Enfin, l'IA a dirigé MASON pour placer la molécule exactement à deux angströms au-dessus d'un point creux spécifique de la surface. Tout au long de cette séquence, qui impliquait plus de dix appels d'outils distincts, l'IA recevait des mises à jour constantes sur les dimensions et l'arrangement des atomes. Le résultat final était un modèle tridimensionnel complet qui passait tous les contrôles géométriques, prêt pour qu'un supercalculateur exécute une simulation.

Les chercheurs ont également testé le système sur une grande variété d'autres défis pour s'assurer de sa fiabilité. Ils ont construit avec succès des modèles de nanorubans de graphène, des couches de carbone torsadées et des interfaces complexes entre le carbure de silicium et le silicium. Dans chaque cas, l'IA a utilisé la requête en langage naturel pour guider la construction, et MASON a fourni l'exécution précise. Par exemple, lorsqu'on lui a demandé de construire un modèle de cristal de silicium avec un atome manquant, le système a correctement identifié comment la symétrie du cristal changeait et a rapporté le nouvel arrangement des atomes restants. Lorsqu'on lui a demandé de combiner deux matériaux différents, le système a calculé la meilleure façon d'aligner leurs grilles atomiques pour minimiser les contraintes, présentant les options à l'IA pour sélection. Dans les dix-huit exemples testés, les structures construites par l'IA étaient mathématiquement cohérentes et géométriquement solides, correspondant aux résultats des calculs manuels.

Ce travail représente une étape significative vers une recherche scientifique plus autonome. En équipant les agents d'IA d'outils spécialisés et fiables, les chercheurs ont éliminé le besoin pour l'IA d'écrire son propre code pour les tâches structurelles de base. Cela réduit les risques d'erreur et permet à l'IA de se concentrer sur le raisonnement scientifique plutôt que sur les détails mécaniques de la construction. Le système est open-source, ce qui signifie que d'autres scientifiques peuvent l'utiliser pour construire leurs propres modèles, et il est conçu pour fonctionner avec n'importe quel cadre d'IA supportant le Model Context Protocol. L'objectif ultime n'est pas seulement de construire des modèles plus rapidement, mais de créer un flux de travail où un chercheur peut énoncer une question scientifique en langage clair, et l'IA peut gérer l'ensemble du processus de mise en place de l'expérience, de l'arrangement atomique initial à l'analyse finale des données. Bien que la version actuelle se concentre sur la construction de structures, la même approche pourrait éventuellement être appliquée à l'exécution des simulations et à l'analyse des résultats, rapprochant le domaine d'un futur où les scientifiques définissent les objectifs et les machines gèrent l'exécution.