← Derniers articles
🔬 science des matériaux

SPARC: Evidence-guided adaptive model composition for materials discovery

SPARC est un cadre pour la découverte de matériaux qui ajuste dynamiquement l'influence de modèles prédictifs concurrents en fonction de preuves expérimentales hors échantillon afin d'optimiser l'exploration et d'identifier les mesures nécessitant une vérification, démontrant une performance supérieure tant en précision prédictive qu'en efficacité expérimentale par rapport aux méthodes existantes.

Auteur original : Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

Publié 2026-11-17
📖 6 min de lecture🧠 Analyse approfondie

Auteur original : Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La science s'appuie depuis longtemps sur un cycle d'essais et d'erreurs : un chercheur propose une idée, la teste en laboratoire, et utilise le résultat pour façonner la supposition suivante. Ces dernières années, les ordinateurs se sont joints à ce cycle, utilisant l'apprentissage automatique pour prédire quelles expériences sont les plus susceptibles de réussir. Cette approche, connue sous le nom d'expérimentation en boucle fermée, permet aux scientifiques d'automatiser la recherche de nouveaux matériaux, des meilleures batteries aux catalyseurs plus efficaces. Cependant, une limite cachée a persisté dans ces systèmes automatisés. La plupart d'entre eux verrouillent leurs hypothèses initiales sur le fonctionnement du monde avant même que la recherche ne commence. Ils choisissent un modèle mathématique spécifique pour représenter les données et s'y tiennent, même à mesure que de nouvelles mesures arrivent. Cette rigidité peut poser problème lorsque les données sont rares. Si le modèle initial est erroné, ou si les relations entre les variables changent à mesure que la recherche s'aventure en territoire inconnu, le système risque de continuer à poser les mauvaises questions, renforçant ses propres biais et manquant de meilleures solutions.

Une équipe de chercheurs de l'Université de Toronto a introduit un nouveau cadre appelé SPARC qui change la façon dont ces systèmes automatisés réfléchissent. Au lieu de s'en tenir à un seul modèle, SPARC traite le modèle scientifique lui-même comme une hypothèse qui doit être constamment révisée. Il demande continuellement quels modèles mathématiques concurrents sont réellement soutenus par les nouvelles preuves provenant du laboratoire. En pesant ces modèles concurrents les uns par rapport aux autres en fonction de leur capacité à prédire des données non vues, le système peut modifier son orientation à mesure que les preuves s'accumulent. Cette approche permet à la recherche de rester flexible, s'adaptant non seulement aux nouveaux résultats, mais aussi à la fiabilité changeante des théories utilisées pour les interpréter.

Les chercheurs ont testé cette idée sur huit ensembles de données différents impliquant des matériaux moléculaires, polymères et inorganiques. Lors de ces tests, SPARC devait prédire des propriétés telles que la stabilité des catalyseurs ou la performance de composants de batteries sans dépendre des descripteurs chimiques complexes et précalculés que d'autres méthodes exigent souvent. Les résultats ont montré que SPARC pouvait égaler ou dépasser la précision prédictive des pipelines établis dans la plupart des cas. Dans un test spécifique impliquant la stabilité de matériaux inorganiques, la nouvelle méthode a amélioré la précision de la prédiction de près de 78 % par rapport aux rapports précédents. Ce gain a été obtenu sans les étapes de calcul supplémentaires utilisées par d'autres équipes, ce qui suggère que l'amélioration provenait de la manière dont le système gérait ses modèles plutôt que d'avoir plus de données brutes.

Pour comprendre comment cela fonctionne, imaginez une équipe d'experts essayant de prévoir la météo. Un système traditionnel pourrait s'appuyer sur un seul modèle de prévision et ignorer tout désaccord. SPARC, au contraire, écoute un panel de différents modèles, chacun utilisant une approche légèrement différente pour comprendre les données. À mesure que de nouvelles observations météorologiques arrivent, le système vérifie quels modèles sont toujours précis et lesquels sont à la traîne. Il combine ensuite les prédictions des modèles les plus fiables, accordant plus de poids à ceux qui se sont prouvés efficaces face aux nouvelles preuves. Si les modèles commencent à diverger, le système reconnaît qu'il entre dans une zone d'incertitude et ajuste sa confiance en conséquence. Cela empêche le système de devenir trop confiant dans les zones où les données sont maigres ou lorsque la science sous-jacente n'est pas encore pleinement comprise.

Les chercheurs ont également exploré comment cette flexibilité aide lors de la recherche de matériaux très différents de tout ce qui a été testé précédemment. Dans un test contrôlé, le système a été chargé de trouver des candidats performants dans une gamme de conditions dépassant largement les expériences initiales. À mesure que la recherche s'éloignait des données connues, le système devenait naturellement plus incertain, mais il ne s'est pas arrêté de chercher. Au lieu de cela, il a utilisé sa mesure de confiance pour guider l'exploration, privilégiant les candidats susceptibles d'être bons tout en reconnaissant les risques. Cela a permis au système de trouver de nouveaux candidats prometteurs bien plus rapidement que les méthodes standards, atteignant des résultats quasi optimaux avec nettement moins d'expériences.

Le véritable test du système fut une campagne de laboratoire réelle axée sur la recherche de meilleurs catalyseurs pour la réaction de dégagement de l'oxygène, un processus crucial pour la production d'hydrogène propre. Les chercheurs ont mis en place une plateforme automatisée capable de synthétiser et de tester de nouveaux matériaux sans intervention humaine. Partant d'une base de données de 125 expériences initiales, le système a sélectionné 11 nouvelles conditions à tester. De manière remarquable, huit de ces 11 recommandations ont produit des résultats nettement meilleurs que la moyenne de l'ensemble initial, l'une d'elles atteignant un niveau de performance de 242 millivolts, une valeur qui indique une haute efficacité. Ce taux de réussite était bien plus élevé que ce que l'on pourrait attendre du hasard ou de l'utilisation de méthodes plus anciennes.

Au-delà de la simple découverte de nouveaux matériaux, le système a également démontré une capacité unique à auditer son propre historique. Dans la même campagne, les chercheurs ont demandé au système d'identifier quels enregistrements parmi les 125 mesures existantes pourraient être peu fiables et nécessiteraient d'être répétés. Le système a signalé des dossiers spécifiques pour vérification en se basant sur des anomalies statistiques et des incohérences. Lorsque les chercheurs ont re-testé ces échantillons signalés, ils ont constaté que les mesures originales étaient effectivement souvent très éloignées, avec une différence moyenne de 76 millivolts entre la première et la seconde lecture. En revanche, les échantillons de contrôle non signalés présentaient une différence beaucoup plus faible de seulement 27 millivolts. Cela suggère que le système peut non seulement guider la recherche de nouvelles découvertes, mais aussi agir comme un mécanisme de contrôle qualité, identifiant les erreurs dans l'enregistrement existant avant qu'elles ne trompent les décisions futures.

L'étude souligne un changement dans la manière dont la science automatisée pourrait opérer à l'avenir. Plutôt que d'être un outil rigide suivant un ensemble de règles fixes, le système agit comme un partenaire dynamique qui fait évoluer sa compréhension à mesure qu'il apprend. Il reconnaît que dans les premières étapes de la découverte, lorsque les données sont rares, la meilleure voie à suivre n'est pas de faire confiance à une théorie unique, mais de rester ouvert à de multiples possibilités et de laisser les preuves décider lesquelles conserver. En transformant les données expérimentales en une base pour réviser ses propres hypothèses, ce cadre offre une manière plus robuste de naviguer dans le paysage complexe de la découverte de matériaux, garantissant que la recherche reste ancrée dans ce que les données soutiennent réellement, plutôt que dans ce que l'ordinateur supposait initialement.

Noyé(e) sous les articles dans votre domaine ?

Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.

Essayer Digest →