L’IA et les réseaux de neurones prédisent les propriétés des matériaux, en particulier les structures à base de carbone comme le graphène, sans expériences en laboratoire.L’apprentissage automatique des matériaux est un domaine où l’intelligence artificielle, en particulier les réseaux de neurones, prédit et découvre les propriétés des matériaux sans s’appuyer uniquement sur des expériences physiques. Au lieu de tester toutes les combinaisons possibles en laboratoire, ces modèles apprennent des motifs à partir de données existantes — structures cristallines, compositions chimiques et propriétés mesurées — puis généralisent à des matériaux nouveaux et inédits. Cela s’avère particulièrement puissant pour les structures à base de carbone comme le graphène, où le nombre considérable de configurations possibles rend les tests par force brute irréalisables.
L’application des réseaux de neurones à la science des matériaux a pris de l’ampleur dans les années 2010, grâce à la disponibilité de grandes bases de données computationnelles comme le Materials Project. L’utilisation spécifique des réseaux de neurones graphiques à cette fin a été popularisée vers 2018 par des chercheurs, notamment ceux de Google et du MIT.
L’idée centrale consiste à représenter un matériau sous forme de graphe : les atomes sont des nœuds et les liaisons, des arêtes. Les réseaux de neurones graphiques traitent ce graphe en faisant circuler l’information entre atomes connectés afin d’apprendre comment les arrangements locaux influencent des propriétés globales telles que la conductivité, la résistance ou la stabilité. Le réseau est entraîné sur un ensemble de matériaux connus et de leurs propriétés mesurées ou calculées, en ajustant ses paramètres internes pour minimiser les erreurs de prédiction. Une fois entraîné, il peut prédire les propriétés de nouveaux matériaux en quelques millisecondes, une tâche qui pourrait prendre des semaines en laboratoire ou par simulation sur supercalculateur.
Cette approche sert à cribler des milliers de matériaux candidats pour les batteries, les catalyseurs et les supraconducteurs, réduisant considérablement le temps et le coût de la découverte de matériaux. Elle aide également à interpréter les données expérimentales, par exemple en identifiant des structures cristallines à partir de diagrammes de diffraction.
Les réseaux de neurones graphiques peuvent prédire les propriétés d’un matériau à partir de sa seule structure atomique, sans aucune connaissance des équations physiques sous-jacentes.
























