
Une architecture de réseau de neurones qui opère sur des données structurées en graphes, traitant les atomes comme des nœuds et les liaisons comme des arêtes.Un réseau de neurones à graphes (GNN) est une architecture d'apprentissage profond conçue pour traiter des données structurées sous forme de graphes — des ensembles de nœuds reliés par des arêtes. En science des matériaux, les atomes sont représentés comme des nœuds et les liaisons chimiques comme des arêtes, ce qui permet au réseau d'apprendre des motifs directement à partir de la connectivité du système. Cela rend les GNN particulièrement puissants pour prédire des propriétés telles que l'énergie de formation, la largeur de bande interdite ou la résistance mécanique à partir de la seule disposition atomique.
Les idées fondatrices ont émergé au début des années 2000 avec les travaux de Gori et al. (2005) et Scarselli et al. (2009), mais l'essor moderne des GNN pour les matériaux a commencé vers 2017 avec l'introduction des réseaux de neurones à passage de messages et leur application à la prédiction de propriétés moléculaires.
Les GNN fonctionnent par un mécanisme de passage de messages : chaque nœud agrège les informations de ses voisins, met à jour son propre vecteur de caractéristiques, et répète ce processus sur plusieurs couches. Après plusieurs itérations, la représentation de chaque nœud encode des informations sur son environnement local puis global. Une fonction de lecture regroupe ensuite ces représentations en une prédiction unique au niveau du graphe. L'avantage clé est que le réseau est invariant à la manière dont le graphe est étiqueté ou ordonné, ce qui le rend naturellement adapté aux symétries des systèmes physiques.
Les GNN sont utilisés pour cribler des millions de matériaux candidats pour les batteries, les catalyseurs et les supraconducteurs, réduisant considérablement le besoin de calculs coûteux de mécanique quantique.
Les GNN ont été utilisés pour découvrir de nouveaux matériaux thermoélectriques qui convertissent la chaleur perdue en électricité, avec des efficacités prédites qui ont été ensuite confirmées expérimentalement.


























