Topology-aware AI for porous materials: from structural representation to counterfactual testing and inverse design

Les matériaux poreux sont les héros méconnus de la technologie moderne, agissant comme des éponges microscopiques qui permettent le fonctionnement de tout, des filtres à eau pure aux batteries efficaces. Ces substances ne sont pas définies seulement par ce dont elles sont composées, mais par les espaces vides qu'elles contiennent. Imaginez une roche qui est principalement composée de trous ; la taille de ces trous importe, mais la manière dont ils se connectent les uns aux autres importe tout autant. Sont-ils comme un couloir droit, un labyrinthe complexe ou une série de pièces sans issue ? Pendant des décennies, les scientifiques tentant de concevoir de meilleurs matériaux se sont appuyés sur des chiffres simples pour décrire ces espaces, tels que la quantité totale d'espace vide ou la taille moyenne des trous. Ces chiffres sont faciles à mesurer et faciles à utiliser dans des programmes informatiques, mais ils ne racontent qu'une moitié de l'histoire. Deux matériaux peuvent avoir exactement la même quantité d'espace vide et la même taille de trou moyenne, et pourtant se comporter de manière totalement différente parce que l'un possède un réseau de chemins connectés tandis que l'autre est rempli de poches isolées où les molécules restent coincées.

Ce fossé entre les chiffres simples et la réalité complexe de la façon dont les choses circulent à travers un matériau est l'objet d'une nouvelle perspective de Henry R. N. B. Enninful, chercheur à l'Université de Leipzig. L'article soutient que le domaine de l'intelligence artificielle, qui est devenu un outil puissant pour la découverte de nouveaux matériaux, s'est heurté à un mur. Bien que les ordinateurs deviennent meilleurs pour prédire comment un matériau va se comporter, ils réussissent souvent en mémorisant des motifs simples plutôt qu'en comprenant réellement l'architecture cachée des pores. L'auteur suggère que nous avons besoin d'une nouvelle façon de tester ces modèles informatiques pour garantir qu'ils ont réellement appris comment les chemins internes se connectent, plutôt que de simplement deviner en se basant sur des statistiques de surface. La solution proposée est un test de résistance rigoureux utilisant ce que l'on appelle des « jumeaux topologiques contrefactuels ».

L'idée centrale derrière ces jumeaux est de créer des paires de matériaux qui semblent identiques pour un programme informatique standard, mais qui sont secrètement différents dans leur câblage interne. Dans un contexte réel, cela pourrait impliquer de prendre deux échantillons qui ont la même surface, le même volume de pores et la même composition chimique, mais où l'un possède un réseau de canaux hautement connectés et l'autre possède de nombreux cul-de-sac. Un modèle informatique qui a seulement appris à s'appuyer sur des chiffres simples verrait ces deux échantillons comme étant les mêmes et prédirait qu'ils se comporteraient de manière identique. Cependant, un modèle qui a véritablement appris la connectivité devrait être capable de déceler la différence et de prédire que le matériau doté de chemins connectés permettra aux fluides ou aux gaz de circuler beaucoup plus rapidement. En testant si une intelligence artificielle peut distinguer ces jumeaux presque identiques, les chercheurs peuvent enfin voir si l'ordinateur a appris les règles structurelles qui régissent le transport ou s'il fait simplement des suppositions chanceuses basées sur des chiffres familiers.

L'article passe en revue le paysage actuel de la manière dont les scientifiques représentent ces matériaux aux ordinateurs. Il note que, bien que nous soyons passés de simples listes de chiffres à des méthodes plus complexes comme l'imagerie 3D et l'analyse topologique — qui cartographie la forme des vides comme un paysage de collines et de vallées — aucune de ces méthodes ne garantit à elle seule que le modèle comprend la physique du mouvement. L'auteur souligne que de nombreuses études actuelles montrent une corrélation entre la structure d'un matériau et sa performance, mais la corrélation n'est pas une preuve de compréhension. Un modèle peut prédire un résultat avec précision simplement parce qu'il a appris à reconnaître un type spécifique de composition chimique, sans jamais saisir comment les pores sont reliés. Pour corriger cela, l'article propose une nouvelle norme de validation qui va au-delà des tests aléatoires. Au lieu de simplement vérifier si un modèle obtient la bonne réponse sur un ensemble de données standard, les scientifiques devraient mettre le modèle au défi avec ces paires de jumeaux, où la seule variable qui change est la connectivité des pores.

Cette approche nécessite un changement dans la collecte et le partage des données. L'auteur suggère que les études futures ne devraient pas seulement rapporter un ensemble unique de chiffres pour un matériau, mais devraient également inclure les images brutes ou les modèles 3D utilisés pour les construire, ainsi que les manières alternatives dont ces images pourraient être interprétées. Ceci est crucial car la façon dont un scientifique trace une carte des pores à partir d'une image de microscope peut modifier le réseau résultant. En gardant une trace de ces différentes possibilités et en testant les modèles par rapport à elles, le domaine peut progresser vers une évaluation plus honnête de ce que l'intelligence artificielle a réellement appris. L'article souligne également que l'objectif de cette recherche n'est pas seulement de prédire comment un matériau va se comporter, mais de pouvoir, à terme, concevoir de nouveaux matériaux à partir de zéro. Si un ordinateur peut être capable de comprendre la connectivité, il pourrait proposer une nouvelle structure qui possède l'équilibre parfait entre chemins ouverts et cul-de-sac pour une tâche spécifique, comme filtrer un polluant particulier ou stocker l'énergie plus efficacement.

Le chemin à suivre, selon cette perspective, implique une boucle fermée de découverte. Les scientifiques utiliseraient plusieurs types de mesures pour construire une image de la structure d'un matériau, puis utiliseraient ces tests de jumeaux pour vérifier que leurs modèles informatiques sont sensibles aux caractéristiques appropriées. Si un modèle échoue au test du jumeau, cela révèle que le modèle manque quelque chose d'important sur le fonctionnement du matériau. Cet échec est précieux car il indique aux chercheurs exactement où regarder ensuite, que ce soit dans la manière dont ils mesurent le matériau ou dans la manière dont ils enseignent à l'ordinateur. Le but ultime est de transformer l'architecture invisible des matériaux poreux en une variable concevable, permettant aux ingénieurs de construire des matériaux avec des réseaux internes spécifiques plutôt que d'espérer les découvrir par hasard.

Bien que l'article ne prétende pas que cette méthode a déjà résolu le problème de la conception des matériaux, il offre une feuille de route claire pour y parvenir. Il suggère que la prochaine génération d'intelligence artificielle en science des matériaux doit être auditée non seulement sur sa capacité à prédire des chiffres, mais sur sa capacité à raisonner sur la structure. En utilisant ces jumeaux contrefactuels, la communauté peut séparer les modèles qui comprennent réellement la physique des espaces poreux de ceux qui ne font que de l'association de formes. Cette distinction est vitale pour l'avenir des technologies qui reposent sur le mouvement des molécules à travers de minuscules espaces, garantissant que les matériaux que nous construisons ne sont pas seulement théoriquement sains, mais aussi fonctionnellement robustes dans le monde réel. Ce travail sert d'appel à l'action pour que les chercheurs adoptent des normes de test plus strictes, garantissant que l'intelligence artificielle guidant la prochaine vague de découverte de matériaux est aussi fiable que la science qu'elle vise à accélérer.