Pendant des siècles, de nouvelles substances ont été découvertes lors d'essais et d'erreurs menés par des scientifiques ou par hasard et par hasard. Les scientifiques utilisent l'intelligence artificielle pour accélérer cette approche.
Dernièrement, des chercheurs de l'Université Northwestern ont utilisé l'IA pour trouver le moyen de gagner des hybrides métal-verre frais 200 fois plus rapidement qu'ils ne devraient effectuer des expériences en laboratoire. D'autres scientifiques ont construit des bases de données de dizaines de milliers de substances afin que les algorithmes puissent prédire que celles-ci s'unissent pour former de nouvelles substances intrigantes. D'autres, cependant, utilisent l'IA pour extraire des papiers imprimés pour des «recettes» pour créer ces substances.
Auparavant, les constructeurs et les scientifiques mélangeaient des substances entre elles pour découvrir ce qui formait. C'est ainsi que le ciment, par exemple, a été découvert. Au fil du temps, ils ont entendu les propriétés physiologiques de différentes substances, mais une grande partie de la compréhension était néanmoins basée sur l'instinct. «Si vous aviez demandé que l'acier japonais en fer forgé était meilleur pour créer des couteaux, je ne pense pas que quiconque me l'aurait dit», déclare James Warren, directeur de l'Initiative sur le génome des matériaux à l'Institut national des normes et de la technologie. "Ils avaient simplement une compréhension artisanale de l'association entre cet arrangement intérieur et la génialité."
Aujourd'hui, plutôt que d'utiliser la conscience de l'artisan, nous pourrions utiliser des bases de données et des calculs pour cartographier rapidement ce qui rend une substance tellement plus légère ou plus forte - ce qui a la capacité de révolutionner les entreprises après les industries, selon Warren. Le temps entre la recherche d'une substance et son incorporation dans un produit tel qu'une batterie pourrait durer plus de 20 décennies, ajoute-t-il, l'accélération de la procédure est susceptible de nous conduire à de meilleurs verres et batteries pour les téléphones mobiles et de meilleurs alliages pour les fusées, et bien plus encore. de meilleurs détecteurs pour les appareils de santé. «Peu importe ce qui est fait de la chose», dit Warren, «nous pourrions nous améliorer».
Pour comprendre comment de nouvelles substances sont créées, il est utile de considérer un chimiste tel qu'un cuisinier, suggéré par Warren. Par exemple, disons que vous avez des œufs et que vous avez envie de quelque chose de moelleux et de moelleux. Ce sont les qualités de ce plat dont vous avez besoin, mais comment pouvez-vous l'obtenir? Pour créer une structure par laquelle le blanc et le jaune sont forts, vous voulez une recette qui comprend les instructions étape par étape pour traiter l'œuf dur en le faisant bouillir exactement comme vous en avez besoin. La science des matériaux emploie exactement les mêmes théories: lorsqu'un scientifique a besoin de propriétés de substance particulières (état, léger et difficile à briser), il commence à rechercher les structures chimiques et physiques qui produiraient ces possessions, ainsi que les procédures - telles comme métal battant ou fondant - qui produirait les constructions requises.
Les bases de données et les calculs aideront à localiser les réponses. "Nous effectuons des calculs de substances au niveau de la mécanique quantique, des calculs suffisamment compliqués pour que nous puissions vraiment prédire les qualités d'un nouveau matériau potentiel à un ordinateur avant qu'il ne l'ait jamais produit dans un laboratoire", déclare Chris Wolverton, un scientifique des matériaux chez Northwestern. Université qui exploite la base de données Open Quantum Materials. (D'autres bases de données importantes intègrent le Materials Project ainsi que le Materials Cloud.) Les bases de données ne sont pas complètes, cependant, elles se développent et nous donnent des découvertes fascinantes.
Nicola Marzari, chercheur à l'École polytechnique fédérale de Lausanne, a utilisé des bases de données pour localiser des substances 3D qui peuvent être décollées pour fabriquer des substances 2D d'une seule couche. Par exemple, un cas de ceci peut être du graphène très médiatisé, qui est composé d'une feuille de graphite (la substance à un crayon). Tout comme le graphène, ces substances 2D peuvent avoir des propriétés exceptionnelles, telles que la résistance, qu'elles ne possèdent pas dans leur type 3D.
Le groupe de Marzari a vu un algorithme changer à travers les données de plusieurs bases de données. À partir de plus de 100 000 substances, l'algorithme a finalement découvert environ 2 000 substances qui peuvent être pelées en un seul revêtement, selon le journal Marzari imprimé un mois de Nature Nanotechnology. Marzari, qui dirige Materials Cloud, déclare que ces substances sont un "trésor" puisque la plupart ont des propriétés qui pourraient améliorer les équipements électroniques. Certains conduisent très bien l'électricité, quelques-uns peuvent convertir la chaleur en électricité, quelques-uns absorbent l'énergie du soleil: ils pourraient également être utiles pour les semi-conducteurs dans les batteries ou les ordinateurs, et la prochaine chose à faire est de rechercher plus étroitement ces possessions probables.
Le travail de Marzari est un exemple de la façon dont les scientifiques utilisent des bases de données pour prévoir quelles substances pourraient créer des matériaux nouveaux et passionnants. Bien que ces prédictions doivent encore être vérifiées dans un laboratoire. Et Marzari devait encore informer son algorithme de suivre des règles spécifiques, telles que la recherche de liaisons chimiques médiocres. L'intelligence artificielle peut créer un dictionnaire: plutôt que de programmer certains principes, les scientifiques pourraient dire à l'IA exactement ce qu'ils aimeraient produire - comme une substance ultra-puissante - avec l'IA informera les scientifiques que l'expérience idéale à mener pour créer le nouvelle substance.
C'est ainsi que Wolverton et son personnel du Nord-Ouest ont utilisé l'IA pour publier un journal ce mois-ci dans Science Advances. Les enquêteurs se sont intéressés à la création de nouveaux verres métalliques, plus puissants et moins rigides que le verre ou le métal et qui pourraient un jour améliorer les téléphones et les vaisseaux spatiaux.
La méthode d'IA qu'ils ont utilisée ressemble à la façon dont les gens comprennent une langue nouvelle, déclare Apurva Mehta, co-auteur de la recherche, scientifique au SLAC National Accelerator Laboratory de l'Université de Stanford. Une approche pour comprendre une langue serait de s'asseoir et de mémoriser toutes les règles de ponctuation. «Mais une autre méthode d'étude consiste simplement à écouter et à expérimenter la parole de quelqu'un d'autre», dit Mehta. Leur stratégie était un mélange. Pour commencer, les enquêteurs ont parcouru des papiers imprimés pour découvrir autant d'informations que possible sur la fabrication des différents types de verres métalliques. Ils ont introduit les «règles de grammaire» suivantes dans un algorithme d'apprentissage automatique. L'algorithme a ensuite appris à créer ses prédictions selon lesquelles la combinaison de composants ferait un nouveau type de verre métallique, comme la façon dont une personne peut stimuler son français en direction de la France plutôt que de mémoriser sans fin des graphiques de conjugaison. L'équipe de Mehta a ensuite analysé les idées du système dans des expériences en laboratoire.
Les scientifiques peuvent synthétiser et examiner des milliers de substances à un moment donné. Mais à ce rythme, il pourrait être une perte de temps de tester tous les mélanges possibles. "Ils ne peuvent pas simplement jeter tout le tableau périodique dans leur équipement", déclare Wolverton, ou alors la fonction de cette IA est "d'indiquer certains domaines pour qu'ils commencent". La procédure n'était pas idéale et quelques suggestions - telles que la proportion spécifique de composants nécessaires étaient absentes, mais les scientifiques pouvaient produire des verres métalliques frais. De plus, la réalisation des expériences implique qu'ils avaient plus d'informations à alimenter dans l'algorithme afin qu'il puisse se développer en une machine plus intelligente et plus brillante à chaque instant.
Une autre méthode d'utilisation de l'IA consiste à produire un «livre de cuisine» ou un groupe de recettes pour obtenir des substances. Dans deux journaux publiés à la fin de l'année dernière, des scientifiques du MIT ont créé un système d'apprentissage automatique qui scanne les journaux universitaires pour déterminer lesquels contiennent des instructions pour s'assurer que les substances sont sûres. Il pourrait remarquer en utilisant une précision de 99% quels paragraphes du document comprenaient la «recette», et également une précision de 86% les mots spécifiques du paragraphe.
Le groupe MIT prépare actuellement l'IA à devenir plus précise. Ils aimeraient faire un enregistrement de ces recettes à votre communauté scientifique dans son ensemble, mais ils devront travailler avec l'auteur de ces articles éducatifs pour être certains que leur collection ne viole aucun arrangement. À un moment donné, l'équipe souhaite apprendre à la machine à lire les journaux et à produire de nouvelles recettes par elle-même.
«L'un des objectifs serait de trouver des méthodes plus efficaces et plus rentables pour gagner les substances que nous produisons», déclare Elsa Olivetti, co-auteur de la recherche et scientifique des matériaux au MIT. "Encore une autre est, voici le produit chimique que la science informatique a appelé, pouvons-nous indiquer une bien meilleure paire de méthodes pour le fabriquer"
L'avenir proche de l'IA et des mathématiques des matériaux semble prometteur, mais des défis subsistent. Pour commencer, les ordinateurs ne sont tout simplement pas capables de tout prévoir. "Les prévisions elles-mêmes comportent des erreurs et fonctionnent souvent sur une version simplifiée de substances qui ne prennent pas en compte le monde réel", déclare Marzari de l'EPFL. Il existe tous les types de variables environnementales, telles que l'humidité et la température, qui influencent la manière dont les substances agissent. Et de nombreuses versions ne peuvent pas les prendre en considération.
Un autre problème est que nous n'avons pas suffisamment d'informations sur chaque composé, a déclaré Wolverton, et un manque de données implique que les algorithmes ne sont pas très sages. Néanmoins, Wolverton et Mehta envisagent d'utiliser leur stratégie sur d'autres catégories de substances en plus du verre. Et ils s'attendent à un soir, vous n'aurez pas besoin d'une personne pour faire des expériences, ce ne sera que de l'IA et des robots. «Nous pourrions créer un programme entièrement autonome», dit Wolverton, «sans qu'aucun individu ne soit inclus».