Le Lego scientifique : prédire les propriétés des matériaux sans laboratoire ✛

Original: "Materials Graph Library (MatGL), an open-source graph deep learning library for materials science and chemistry"
arXiv:2503.03837 · 2025-03-05 · CC BY 4.0 · 1 min
Le programme gratuit MatGL agit comme un testeur virtuel : selon la disposition des atomes, il prédit les caractéristiques d'une substance en quelques heures, et non en quelques mois.

Les atomes sont les briques Lego de l'univers. En les assemblant différemment, on obtient tout : du diamant au dioxyde de carbone. Autrefois, les chimistes passaient des mois au laboratoire pour tester une seule combinaison. Désormais, le programme MatGL — tel un jeu de construction virtuel — prédit instantanément les propriétés de n'importe quel assemblage. Vous chargez le schéma des atomes, et vous savez si le matériau sera transparent ou ultra-résistant. Même son comportement sous un faisceau lumineux (spectroscopie). Ainsi, le simple carbone peut devenir graphite ou nanotube.

Le secret de MatGL réside dans les réseaux de neurones à graphes : des algorithmes qui voient les atomes comme des points et les liaisons entre eux comme des lignes. La même technologie qui suggère des amis dans les réseaux sociaux cherche ici des paires atomiques idéales. En s'entraînant sur des millions d'exemples, le réseau devine les propriétés sans se tromper. Même pour le minuscule hydrogène dans différentes combinaisons.

La bibliothèque est gratuite et ouverte — un bac à sable numérique pour créer les matériaux du futur : des batteries aux filtres à eau. Les mois d'attente sont devenus des heures de calcul. Un jeu de Lego scientifique où les lois de la physique agissent plus vite que l'intuition.

Les réseaux de neurones à graphes qui sous-tendent MatGL sont également utilisés dans les réseaux sociaux : les algorithmes d'« amitié » analysent les connexions entre les personnes de la même manière qu'entre les atomes.

L'idée de sélectionner instantanément des matériaux évoque les réplicateurs de « Star Trek », où la matière est synthétisée selon un programme donné.

Scientifiques
Fred HoyleMargaret BurbidgeWilliam Lawrence Bragg
Notions
matériaux par apprentissage automatique réseau neuronal de graphe apprentissage profond en imagerie médicale prédiction des propriétés moléculaires modèle de langage protéique modélisation physique par réseaux de neurones graphite ensemble de données grands modèles de langage modèle génératif cartographie de l'image médicale au génome potentiel interatomique appris par machine science des matériaux graphes