Le modèle d’IA utilise des données de cristallographie aux rayons X pour aider les chercheurs à concevoir des matériaux pour diverses applications, des batteries aux aimants.
Dans le domaine des sciences des matériaux, analyser et comprendre la structure des matériaux cristallins est un moteur fondamental de la découverte. L’arrangement des atomes dans un cristal détermine ses propriétés, ce qui fait de l’analyse structurelle un facteur essentiel pour optimiser les matériaux pour des applications spécifiques.
Historiquement, des techniques comme la cristallographie aux rayons X ont été l’épine dorsale de cet effort. Toutefois, le processus devient plus complexe lorsqu’il s’agit d’échantillons en poudre ou fragmentés, car ceux-ci limitent la précision et l’efficacité des prédictions structurelles.
Des chercheurs de Stanford et du MIT ont développé un modèle d’intelligence artificielle pour analyser les structures cristallines d’échantillons en poudre. Ce modèle d’IA pourrait rationaliser la découverte et l’application de matériaux dans les batteries et autres électroniques de puissance.
Modèle computationnel utilisant des données de cristallographie aux rayons X en poudre pour prédire une structure cristalline. Image utilisée avec l’aimable autorisation de MIT/Eric Alan Riesel
Le Puzzle Cristallin
Les matériaux cristallins, tels que les métaux, se composent d’unités de réseau répétées. Ces unités ressemblent à des boîtes de dimensions spécifiques, où les atomes sont agencés selon un schéma précis. Lors de la création de nouveaux matériaux, l’analyse de la structure cristalline est un point de départ commun, car la structure du réseau influence directement les propriétés électriques, thermiques et mécaniques des matériaux.
La cristallographie aux rayons X est une technique utilisée pour déterminer la structure atomique et moléculaire des matériaux cristallins. Lorsque des rayons X sont dirigés vers un cristal, ils se dispersent sur les atomes, créant des motifs de diffraction. En analysant ces motifs, les chercheurs peuvent déduire les positions des atomes dans le réseau du matériau.
Configuration simple de cristallographie aux rayons X. Image utilisée avec l’aimable autorisation de Rice University
Cependant, il est plus difficile de reconstruire la structure 3D originale lorsque les scientifiques ont uniquement des échantillons en poudre de fragments aléatoires. Cela pose problème pour de nombreux matériaux, tels que les métaux, les céramiques et certains minéraux, cruciaux pour les applications des supraconducteurs, des aimants et des photovoltaïques.
La diffraction des rayons X en poudre (PXRD) est une autre méthode fondamentale pour la caractérisation des matériaux (en poudre). Cependant, déterminer des structures complètes à partir des données PXRD reste laborieux et souvent peu faisable, en particulier pour de nouveaux matériaux. Les approches existantes d’apprentissage automatique pour l’analyse PXRD prédisent généralement uniquement des informations partielles et moyennées sur la structure cristalline complète d’un matériau.
Cartographie des Structures Cristallines avec la Précision de l’IA
Dans le Journal of the American Chemical Society, des chercheurs ont décrit un modèle d’IA appelé Crystalyze, conçu pour simplifier la détermination des structures des matériaux cristallins à partir des données PXRD.
Le modèle Crystalyze utilise une approche d’apprentissage automatique pour prédire les structures des matériaux cristallins en analysant les motifs de diffraction. En s’entraînant sur des dizaines de milliers de matériaux issus de la base de données Materials Project, le modèle génère des structures probables basées sur les dimensions du réseau, les agencements atomiques et les motifs de diffraction. Le modèle fonctionne comme une IA générative, capable de produire plusieurs prédictions de structure et de les affiner en comparant les motifs de diffraction générés aux données d’entrée, garantissant une grande précision.
Structure cristalline. Image utilisée avec l’aimable autorisation de Materials Project
En testant le modèle, les chercheurs ont constaté que, sur plus de 100 motifs de diffraction expérimentaux, le modèle a atteint un taux de réussite de 67 %. De plus, le modèle a pu résoudre des motifs de diffraction auparavant non résolus à partir du fichier de diffraction en poudre, fournissant des données structurelles pour 134 matériaux, y compris NaCu2P2, Ca2MnTeO6, ZrGe6Ni6, LuOF, et HoNdV2O8. Crystalyze peut également prédire des structures pour de nouveaux composés, tels que ceux synthétisés dans des conditions de haute pression (Rh3Bi, RuBi2, et KBi3).
L’Avenir de l’IA dans les Sciences des Matériaux
À mesure que l’intelligence artificielle évolue, son rôle dans la résolution de défis complexes au sein des sciences des matériaux ne fera que s’élargir. En accélérant la découverte et l’optimisation de nouveaux matériaux, l’IA peut analyser et prédire les structures plus efficacement, ce qui pourrait conduire à des percées dans le stockage d’énergie, l’électronique, le magnétisme et au-delà.