Des chercheurs du Massachusetts Institute of Technology (MIT) ont mis au point un modèle multimodal destiné à mieux relier la structure atomique des matériaux cristallins à leurs propriétés. En combinant des représentations en trois dimensions et des descriptions en langage naturel, leur méthode a notamment repéré des matériaux candidats pour des électrolytes de batteries lithium-ion à l’état solide.
Relier les atomes aux propriétés des matériaux
Les matériaux cristallins sont organisés selon des arrangements d’atomes en trois dimensions. Or, les modèles de langage s’appuient principalement sur des textes, comme des articles scientifiques et des ouvrages. Cette différence limite leur capacité à décrire la géométrie des cristaux et à exploiter des structures conservées dans des bases de données computationnelles.
Les publications expérimentales consacrées aux matériaux sont par ailleurs concentrées sur certaines familles de cristaux. Selon les chercheurs, ce biais peut conduire les modèles entraînés à partir de ces textes à privilégier les matériaux les plus étudiés.
Le système conçu au MIT associe les structures atomiques à des descriptions qui couvrent leur composition, leur organisation, leurs propriétés, les considérations liées à leur fabrication et leurs applications possibles. L’objectif est de fournir au modèle une représentation plus complète des matériaux que celle obtenue à partir des seuls textes publiés.
Un entraînement fondé sur des descriptions synthétiques
Pour établir le lien entre géométrie et langage, l’équipe a utilisé l’apprentissage contrastif. Cette méthode confronte des exemples similaires et différents de structures et de descriptions, afin que le modèle apprenne à rapprocher celles qui correspondent.
Les chercheurs ont ensuite comparé deux versions : l’une entraînée avec un ensemble de descriptions générées à partir des structures, l’autre avec des textes issus d’articles scientifiques. D’après leurs résultats, seule la première a appris à associer correctement les descriptions à la géométrie des matériaux.
Le modèle peut aussi recevoir une requête en langage naturel portant sur une propriété et proposer des cristaux qui y correspondent. Lors d’un test sur les électrolytes pour batteries lithium-ion à l’état solide, ses premières suggestions comprenaient des matériaux déjà identifiés indépendamment comme prometteurs. Le MIT indique également que le système a dépassé un modèle de référence dans cette tâche.
Un outil de recherche, pas une découverte prête à l’emploi
Ces résultats montrent que la prise en compte des arrangements atomiques peut améliorer la sélection de matériaux par rapport à une approche fondée uniquement sur des textes. Ils ne signifient pas pour autant que les candidats proposés sont déjà validés pour une utilisation industrielle : le travail décrit porte sur les capacités de prédiction du modèle.
Ju Li, professeur au département de science et d’ingénierie des matériaux du MIT, souligne que la structure est essentielle pour comprendre les propriétés et les performances d’un matériau. La professeure Elsa Olivetti estime pour sa part que cette approche pourrait aider à relier plus finement structure, propriétés et procédés de fabrication.
Les auteurs espèrent que leur méthode pourra s’appliquer à un large éventail de matériaux cristallins et être reprise par d’autres équipes. Les travaux ont bénéficié de financements, notamment de la Defense Threat Reduction Agency et de la Defense Advanced Research Projects Agency des États-Unis, ainsi que de la National Research Foundation of Korea.
L’étude a été présentée par MIT News le 18 octobre 2026. (news.mit.edu)
Source : MIT News (news.mit.edu)
Article original : Consulter la source originale
Auteur : Zach Winn | MIT News
