Comment l'intelligence artificielle a vu les atomes ✛ ✦

Original: "The evolution of AI from image interpretation toward scientific inference in nanoparticle electron microscopy"
arXiv:2607.10388 · 2026-07-11 · CC BY 4.0 · 1 min
Un algorithme entraînable traduit le chaos des images atomiques en recettes pour de nouveaux matériaux.

Une image de microscope électronique, c'est un fouillis de points où les atomes filent comme des confettis dans une tornade. Avant, un scientifique passait une demi-journée à déchiffrer une seule image. Maintenant, un algorithme entraînable est un traducteur universel : il lit instantanément le langage des particules, distinguant tailles, fissures et même défauts cachés.

Là où l'humain voyait du chaos, l'algorithme extrait des centaines de particules avec des détails qui nous échappent.

Pour brosser un tableau complet, le traducteur assemble des fragments de phrase provenant de différentes sources. Le microscope électronique focalise les électrons grâce à des champs magnétiques qui jouent le rôle de lentilles, et leur double nature permet d'observer les plus infimes caractéristiques. Le principe d'incertitude est contourné par des modèles informatiques de répétition. Les empreintes colorées de la lumière et la mesure précise de la luminosité apportent une touche chimique, tandis que la superposition des ondes reconstitue le volume, comme un écho qui dessine le relief.

Désormais, ce traducteur IA ne se contente pas de lire, il prédit aussi : il devine comment les nanoparticules s'assembleront en un matériau, avant même la synthèse. Récemment, il a proposé une structure d'électrode de batterie que les chimistes jugeaient fantaisiste — et elle a fonctionné avec une conductivité record. Le chemin vers des alliages ultralégers, des médicaments précis et des catalyseurs puissants s'est raccourci.

Pour entraîner l'algorithme, les scientifiques génèrent de fausses microphotographies avec un nombre et une forme de particules connus à l'avance — c'est comme un corrigé pour la machine.

\lambda = \frac{h}{p} = \frac{h}{\sqrt{2mE}}
Longueur d'onde de l'électron : plus la tension d'accélération est élevée, plus la longueur d'onde est courte et plus les détails visibles sont fins.
d = \frac{0.61 \lambda}{\sin \alpha}
Critère de Rayleigh pour le pouvoir de résolution : distance minimale entre deux points, dépendant de la longueur d'onde et de l'angle d'ouverture. Les algorithmes permettent de dépasser cette limite en utilisant des informations a priori.
Scientifiques
Andrey Markov
Notions
intelligence artificielle imagerie médicale par IA astrophysique par IA détection d'artefacts en imagerie médicale reconnaissance de formes transparence microscopie électronique analyse automatisée traitement numérique d'images technologie d'enregistrement neuronal analyse de données transformeurs apprentissage automatique prédiction des propriétés moléculaires microélectronique matériaux par apprentissage automatique référence astrophysique par réseaux de neurones segmentation tumorale traitement automatique du langage naturel