Le professeur Frederick Sanger, biochimiste britannique, a reçu son deuxième prix Nobel de chimie en… [+] 1980. Il est seulement la troisième personne à remporter le prix Nobel de la science dans l’histoire des récompenses et rejoint l’illustre compagnie de Madame Curie et John Burdee. Il a partagé son prix avec le professeur Paul Berg et le Dr Walter Gilbert pour leurs travaux indépendants sur des techniques précises et pionnières d’examen et de modification de la structure du matériel génétique. Ici, il regarde un modèle de molécule d’ADN.
Archives Bettmann
Il semble que la personne moyenne soit plutôt familière avec l’IA générative. Ces produits de consommation soignés et générateurs d’image comme Dall-E sont, dans une certaine mesure, des noms familiers. Mais nous sommes moins nombreux à réaliser jusqu’où l’IA générative peut aller pour introduire de nouvelles solutions dans notre monde.
Cela est particulièrement vrai au niveau biologique. De la même manière que genAI peut « pirater » la capacité de simuler du texte, des images et des vidéos, elle peut se tourner vers la biologie et trouver de nouvelles façons d’identifier les structures biologiques.
Prenons cet exemple : une équipe Microsoft est en train de découvrir comment utiliser un modèle de diffusion pour trouver de nouveaux matériaux pouvant répondre aux besoins des projets de haute technologie.
“Trouver un nouveau matériau pour une application cible, c’est comme chercher une aiguille dans une botte de foin”, écrivent les auteurs de un article de blog chez Microsoftoù ils ont travaillé sur un tel programme, quelque chose appelé, à juste titre, MatterGen. « Historiquement, cette tâche a été réalisée au moyen d’essais et d’erreurs expérimentaux coûteux et longs. Plus récemment, le criblage informatique de grandes bases de données de matériaux a permis aux chercheurs d’accélérer ce processus. Néanmoins, trouver les quelques matériaux présentant les propriétés souhaitées nécessite encore la sélection de millions de candidats.
D’une certaine manière, cela nous rappelle pourquoi l’IA est le partenaire idéal d’Internet. Vous pouvez prendre des heures, des jours, voire des semaines pour rechercher autant que possible sur Internet un fait ou une information particulière – ou vous pouvez demander à un modèle comme ChatGPT et l’obtenir en quelques secondes. Internet est une vaste mine d’informations qui s’étend à travers le monde – l’IA est un chercheur ultra-productif capable de regrouper les résultats d’Internet en un clin d’œil.
C’est tout simplement plusieurs ordres de grandeur plus efficace qu’un humain pour effectuer une recherche sur Internet. Il est aussi apparemment plusieurs ordres de grandeur plus efficace qu’un humain pour trouver de nouveaux types de matière, des matériaux avec une chimie, un magnétisme, une conductivité, etc. spécifiques.
Architecture de diffusion et monde biologique
Pour comprendre ce que fait MatterGen avec la recherche en sciences biologiques, vous devez comprendre le modèle de diffusion lui-même.
En général, lorsque l’IA générative est appliquée à la diffusion, vous partez d’un objet défini, une image ou une protéine ou une sorte d’élément biologique, par exemple, et vous le corrompez, avec un processus de « bruitage ». Vous introduisez du bruit, pour diffuser l’élément original dans un abstrait. Ensuite, le système se retourne et « débruite » la cible, la fusionnant en un nouveau résultat, un nouvel élément ou une nouvelle structure qui possède les attributs ou propriétés souhaités par le chercheur, l’utilisateur humain.
Les chercheurs de Microsoft rapportent que lorsque le système a reçu plus de 608 000 matériaux stables provenant de bases de données, il a pu générer de bons candidats pour de nouveaux matériaux.
Faire face au trouble compositionnel
L’un des défis, a noté l’équipe, est le désordre de composition, dans lequel les atomes peuvent changer de position au sein d’un matériau synthétisé particulier.
“La communauté a exploré ce que signifie le fait qu’un matériau soit nouveau dans le contexte de matériaux conçus par ordinateur, car les algorithmes largement utilisés ne feront pas la distinction entre des paires de structures où la seule différence est une permutation d’éléments similaires dans leurs sites respectifs.” explique l’équipe.
Clair comme de la boue ?
« Récemment, des chercheurs se sont penchés sur ce qui rend un matériau « nouveau » lorsqu’il s’agit de matériaux conçus par ordinateur. Ceci est important car les algorithmes courants ne peuvent souvent pas faire la différence entre des structures qui diffèrent uniquement par la manière dont les éléments similaires sont disposés dans leurs positions.
J’ai également demandé un exemple concret de désordre compositionnel, et j’ai obtenu ceci :
« Un exemple concret de désordre compositionnel peut être trouvé dans les alliages métalliques, comme le laiton. Le laiton est obtenu en combinant du cuivre (Cu) et du zinc (Zn). Dans une structure parfaitement ordonnée, les atomes de cuivre et de zinc seraient disposés selon un motif régulier. Cependant, en réalité, ces atomes peuvent changer de place de manière aléatoire dans le réseau cristallin, ce qui signifie que certains sites censés contenir des atomes de cuivre pourraient contenir des atomes de zinc, et vice versa. Ce caractère aléatoire dans la disposition des atomes de cuivre et de zinc est un exemple de désordre de composition, qui peut influencer les propriétés du matériau, telles que la résistance, la résistance à la corrosion et la conductivité électrique.
J’ai beaucoup appris sur les attributs du laiton et pourquoi il est mou.
“Le laiton est généralement considéré comme mou, surtout lorsqu’il contient un pourcentage élevé de zinc”, ChatGPT fourni. « Même si le désordre de la composition peut influencer les propriétés du matériau, la douceur du laiton est principalement due à la manière dont les atomes de cuivre et de zinc interagissent dans sa structure cristalline. Lors de la fabrication du laiton, les atomes de zinc peuvent remplacer les atomes de cuivre dans le réseau cristallin. Cela crée une solution solide, dans laquelle les différentes tailles et propriétés des atomes de cuivre et de zinc perturbent la disposition ordonnée des atomes, facilitant ainsi le glissement des couches d’atomes les unes sur les autres. Ce glissement est ce qui rend le matériau ductile (pouvant être étiré en fils) et malléable (pouvant être martelé pour donner des formes), qui sont des caractéristiques de douceur. Ainsi, même si le désordre de la composition pourrait contribuer à la douceur en rendant la structure moins stable, la principale raison de la douceur du laiton est la disposition et l’interaction spécifiques entre les atomes de cuivre et de zinc. Les proportions relatives de ces métaux dans l’alliage jouent également un rôle clé ; une teneur plus élevée en zinc conduit généralement à un laiton plus doux.
L’un des points essentiels ici est que certains alliages peuvent avoir des combinaisons d’atomes plus petits et plus gros, les plus petits atomes s’insérant entre les plus gros. C’est la parité compositionnelle des atomes de cuivre et de zinc qui conduit à certains des attributs du matériau en laiton. Le modèle et d’autres sources soulignent également que lorsque vous ajoutez plus de zinc, le laiton devient plus doux.
Technologie de batterie innovante
Dès l’annonce de cette nouvelle solution d’IA générative, l’équipe Microsoft parle des batteries lithium-ion innovantes et de la façon dont la batterie lithium-ion originale a été conçue avec la découverte de l’oxyde de lithium-cobalt dans les années 1980. Comme ils le mentionnent, les batteries lithium-ion sont essentielles pour tout, des smartphones modernes aux véhicules électriques et hybrides ; s’en passer ferait considérablement reculer notre monde.
Aujourd’hui, les chercheurs tentent de découvrir comment remplacer les batteries lithium-ion traditionnelles par des conceptions de batteries meilleures et plus modernes – celles qui utilisent moins de lithium, car il est difficile à obtenir et à extraire.
Et ils réussissent à utiliser cette technologie biologique. En remontant environ un an en arrière, vous pouvez voir des résultats du PNNL (The Pacific Northwest National Laboratory), où les chercheurs ont obtenu une conception nécessitant 70 % de lithium en moins.
Il est probable que nous continuerons à obtenir de meilleures itérations grâce à l’utilisation du processus d’IA, où la diffusion nous montre ce qui peut être possible en génie chimique.
Pensez-y en termes de logistique simple : vous voulez une meilleure chaîne d’approvisionnement, des matériaux plus sûrs, des projets de meilleure qualité et une meilleure livraison aux clients – et tout cela peut nous aider à y parvenir.
#Léquipe #Microsoft #utilise #modèle #diffusion #pour #science #des #matériaux