Dans le monde de la science des matériaux, la conception de la prochaine génération d'écrans électroniques ressemble souvent à la recherche d'une aiguille dans une botte de foin, mais la botte de foin est faite d'atomes invisibles et l'aiguille est un agencement spécifique d'énergie. Les scientifiques cherchent constamment de nouvelles molécules organiques capables d'émettre de la lumière efficacement, particulièrement pour une utilisation dans les diodes électroluminescentes organiques, ou OLED. Pour trouver ces molécules, les chercheurs s'appuient traditionnellement sur deux méthodes : exécuter des simulations informatiques complexes qui prennent des jours pour se terminer, ou réaliser des expériences physiques qui sont coûteuses et lentes. Les deux approches sont en difficulté lorsqu'il n'y a pas assez de données pour entraîner un ordinateur à reconnaître des motifs, une situation courante dans la recherche de pointe où les nouveaux matériaux sont rares. Pendant des décennies, l'espoir a été que l'intelligence artificielle puisse apprendre à prédire comment une molécule se comportera simplement en regardant sa forme, mais ces modèles informatiques échouent souvent lorsqu'ils manquent de vastes bibliothèques d'exemples à étudier. Ils ont tendance à deviner de manière aléatoire plutôt que de comprendre les règles sous-jacentes, un peu comme un étudiant qui mémorise des réponses sans comprendre la leçon.

Une équipe de chercheurs a trouvé un moyen d'apprendre aux ordinateurs à penser davantage comme des experts humains en observant comment ces experts examinent réellement les molécules. Au lieu de forcer l'ordinateur à apprendre à partir de millions de points de données qu'il ne possède pas, les scientifiques ont enregistré les mouvements oculaires de chimistes expérimentés alors qu'ils étudiaient la structure de molécules organiques sur un écran. Ils ont découvert que ces experts ne font pas que regarder fixement ; ils suivent un schéma d'attention spécifique et reproductible. D'abord, ils scannent la molécule rapidement, ne ralentissant que lorsqu'ils atteignent les connexions critiques entre les différentes parties de la structure. Ensuite, ils se concentrent intensément sur des zones spécifiques pour comprendre comment ces parties interagissent. En traduisant ces habitudes visuelles dans le langage du code informatique, les chercheurs ont construit un nouveau type d'intelligence artificielle qui imite cette façon humaine de voir. Ce modèle, entraîné sur un ensemble relativement restreint de molécules, a appris à prédire la distribution des électrons au sein d'une molécule avec une précision qui rivalise avec les simulations informatiques les plus puissantes et les plus chronophages, tout en offrant une fenêtre claire sur les raisons de ses prédictions.

Le cœur de cette découverte réside dans la compréhension de la manière dont les experts humains traitent l'information visuelle. Lorsqu'un chimiste regarde une molécule complexe, ses yeux ne bougent pas selon une ligne lisse et continue. Au lieu de cela, ils sautent rapidement d'un endroit à un autre, un mouvement connu sous le nom de saccade, puis marquent une pause pour recueillir de l'information, une pause appelée fixation. Les chercheurs ont découvert que lorsque ces experts analysaient les propriétés électroniques d'une molécule, leurs yeux se comportaient d'une manière très spécifique. Durant les premières secondes de l'observation d'une nouvelle structure, leurs yeux bougeaient rapidement mais ralentissaient considérablement chaque fois qu'ils passaient sur les « ponts » reliant les parties donneuses et acceptatrices d'électrons de la molécule. Ces zones de ralentissement, que les chercheurs ont nommées Zones de Saccades Décélérées, révélaient que les experts traitaient activement les connexions les plus importantes. Au fil du temps, les experts arrêtaient de scanner et commençaient à maintenir leur regard sur des groupes d'atomes spécifiques pendant de plus longues périodes, intégrant l'information qu'ils avaient recueillie. Ce processus en deux étapes — d'abord un balayage large avec un ralentissement focalisé, suivi d'une attention profonde et soutenue — était le schéma clé que l'équipe voulait capturer.

Pour transformer cette observation en un outil fonctionnel, les chercheurs ont construit un modèle informatique qui reproduit ces deux étapes de l'attention humaine. La première partie du modèle agit comme le balayage initial, utilisant un réseau conçu pour observer de petites pièces locales de la molécule puis les lier rapidement pour comprendre la forme globale. Cela imite les mouvements oculaires rapides et le ralentissement sur les ponts critiques. La seconde partie du modèle agit comme la concentration profonde, utilisant un mécanisme qui permet à l'ordinateur de conserver les informations les plus importantes tout en écartant les détails moins pertinents, similairement à la façon dont un esprit humain filtre les distractions pour se concentrer sur le problème central. En entraînant ce système sur un ensemble de données de 733 molécules organiques connues pour leur capacité à émettre de la lumière efficacement, le modèle a appris à prédire où les électrons seraient situés au sein de la molécule. Les résultats étaient frappants : le modèle a prédit la distribution des électrons avec un taux d'erreur de moins de un pour cent par rapport aux simulations informatiques de référence, extrêmement puissantes, qui prennent habituellement des jours à s'exécuter.

Ce qui rend cette réussite particulièrement significative, ce n'est pas seulement l'exactitude, mais le fait que le modèle évite les erreurs communes commises par d'autres systèmes d'intelligence artificielle. Les modèles informatiques standards éprouvent souvent des difficultés lorsqu'une molécule possède plusieurs parties similaires, se confondant fréquemment sur la fonction de chaque partie, ou ils pourraient attribuer incorrectement des propriétés électriques aux mauvais atomes. Le nouveau modèle, cependant, identifie systématiquement les régions correctes, faisant preuve d'une intuition chimique dont les modèles purement axés sur les données manquent. C'est parce que le modèle a été construit pour prioriser les mêmes interactions structurelles que les experts humains valorisent. Lorsque les chercheurs ont regardé à l'intérieur du modèle pour voir ce à quoi il « prêtait attention », ils ont constaté qu'il mettait en évidence les mêmes connexions et groupes fonctionnels que les experts humains examinaient en ralentissant leurs yeux. L'ordinateur avait effectivement appris à voir la molécule comme un chimiste, en se concentrant sur les ponts et les jonctions critiques qui déterminent la performance du matériau.

Les implications de ce travail s'étendent au-delà de la simple obtention de la bonne réponse plus rapidement. Par le passé, l'intelligence artificielle dans la science a souvent été une « boîte noire », où un ordinateur donne une prédiction sans expliquer comment il est parvenu à cette conclusion. Cette nouvelle approche offre une vue claire du processus de raisonnement. Parce que les mécanismes d'attention du modèle sont alignés sur le comportement visuel humain, les scientifiques peuvent observer la sortie du modèle et voir exactement quelles parties de la molécule il considère comme importantes. Cela fournit une carte quantitative de la manière dont les différentes parties d'une molécule s'influencent mutuellement, offrant un nouvel outil pour concevoir de meilleurs matériaux. Les chercheurs ont montré que le modèle pouvait identifier des paires structurelles spécifiques qui ont une forte influence sur les propriétés électroniques de la molécule, fournissant un guide aux chimistes sur les endroits où apporter des modifications pour améliorer les performances. En intégrant les schémas cognitifs humains directement dans l'architecture de la machine, l'équipe a créé un système qui ne se contente pas de calculer, mais qui comprend, comblant ainsi le fossé entre l'intuition humaine et la puissance de calcul dans un domaine où les données sont rares et la précision est primordiale.