Un laboratoire de chimie robotique s’associe à l’IA de Google pour prédire puis fabriquer de nouveaux matériaux inorganiques
Une intelligence artificielle (IA), formée sur la littérature scientifique, et combinée à une plateforme de chimie automatisée a été utilisée pour découvrir et synthétiser des composés inorganiques. Les chercheurs espèrent que l’IA pourra être utilisée pour accélérer la découverte de nouveaux matériaux tels que des plastiques recyclables et des conducteurs transparents pour des panneaux solaires moins chers.
La découverte de cristaux inorganiques énergétiquement favorables est un objectif fondamental de la chimie du solide, mais l’identification de nouveaux matériaux prometteurs sans automatisation peut s’avérer difficile et prendre beaucoup de temps.
Dans le premier des deux articles sur le sujet, des chercheurs de Google DeepMind ont développé un outil d’apprentissage profond appelé Graph Networks for Materials Exploration (Gnome), qu’ils ont formé sur un ensemble de données vaste et diversifié développé par le Materials Project – une base de données en libre accès. créé par le laboratoire national Lawrence Berkeley du ministère de l’Énergie en 2011 – et l’a utilisé pour filtrer les structures candidates.1
Ils ont montré qu’en améliorant l’algorithme Gnome grâce à l’apprentissage actif, ils ont pu découvrir 2,2 millions de structures stables, dont 381 000 nouvelles entrées pour le projet Materials. Selon les chercheurs, cela représente « une expansion d’un ordre de grandeur par rapport à toutes les découvertes précédentes ».
« Au début de ce pipeline, nous obtenions qu’environ 10 % des matériaux que nous recherchions étaient réellement stables », explique Amil Merchant, résident en IA chez Google et chercheur principal de l’étude. «À la fin de la formation et à la fin de ces cycles d’apprentissage actif, ce chiffre d’efficacité atteignait 80 %.»
Certains calculs de Gnome ont été utilisés parallèlement aux données du projet Materials pour tester un laboratoire autonome (A-Lab) qui était au centre de la deuxième étude.2
Automatisation de la chimie inorganique
«Nous essayions de construire un laboratoire capable de fonctionner tout seul», explique Yan Zeng, scientifique au Lawrence Berkeley National Laboratory aux États-Unis et l’un des chercheurs qui ont développé A-Lab. «Nous nous concentrons sur un problème spécifique de la science des matériaux, à savoir la synthèse des matériaux, et plus particulièrement sur une méthode de synthèse particulière.» la réaction à l’état solide, l’une des méthodes les plus populaires pour fabriquer des matériaux, en particulier des matériaux inorganiques.
A-Lab utilise des données historiques issues de la littérature scientifique, de l’apprentissage automatique et de l’apprentissage actif pour planifier et interpréter les résultats des expériences réalisées par des robots. Pendant 17 jours de fonctionnement indépendant, A-Lab a réalisé 21 expériences par jour et a pu produire 41 nouveaux composés sur 58 tentatives ; un taux de réussite de 71%.
«Ce type de synthèse à l’état solide prend généralement un ou deux jours pour une ou deux expériences… l’ensemble du processus est assez fastidieux, cela prend beaucoup de temps en laboratoire et il faut également beaucoup de temps pour analyser les données.» une fois que les données sont mesurées manuellement, l’efficacité est ici vraiment améliorée, environ 50 à 100 fois supérieure», explique Zeng.
Zeng a également souligné que l’A-Lab avait des niveaux de précision élevés par rapport à un humain, ce qui lui permettait de répéter la même expérience à plusieurs reprises avec un taux d’erreur beaucoup plus faible et était capable d’apprendre des données passées pour corriger les échecs grâce à un système en boucle fermée. Les chercheurs ont déclaré que le taux de réussite d’A-Lab pourrait atteindre près de 80 % avec des modifications mineures de l’algorithme de prise de décision et des améliorations des techniques informatiques utilisées.
« Ensemble, ces deux articles représentent un pas en avant très important dans notre capacité à prédire des matériaux stables, puis à les transformer en forme physique en laboratoire, et je pense que c’est un double coup de poing puissant, qui fait vraiment bouger l’aiguille dans cet espace important. « , déclare Martin Burke, chimiste à l’Université de l’Illinois à Urbana-Champaign aux États-Unis, qui s’intéresse à l’automatisation.
Cependant, il dit qu’une limite importante de ces deux études est qu’elles ne génèrent pas de nouvelles connaissances. «Une question vraiment importante est de savoir comment transformer la puissance de ce mariage entre l’IA et la synthèse automatisée en moteurs de découverte pour trouver de nouvelles fonctions et de nouvelles connaissances.» cela va être une question passionnante pour l’avenir.
Lee Cronin, titulaire de la chaire Regius de chimie à l’Université de Glasgow, affirme que les deux articles constituent « certainement une avancée ». «C’est la preuve que si vous disposez d’un flux de travail propre, vous pouvez générer de nouvelles idées expérimentales cohérentes.» Les articles sont évidemment de grande qualité (et donnent) davantage d’élan à l’idée selon laquelle l’IA et les données propres peuvent être utilisées.
«Mais je suis intéressé par la façon dont nous pourrions aller plus loin.» Il y a un danger que les gens arrêtent de faire des expériences et continuent simplement à simuler des choses… nous devons regarder où se trouvent les anomalies – il y aura beaucoup d’enthousiasme lorsque nous pourrons les utiliser pour découvrir des anomalies, des choses inattendues.
