Les modèles d'intelligence artificielle qui transforment le texte en images sont également utiles pour générer de nouveaux matériaux. Au cours des dernières années, des modèles de matériaux génératifs de sociétés comme Google, Microsoft et Meta ont tiré sur leurs données de formation pour aider les chercheurs à concevoir des dizaines de millions de nouveaux matériaux.
Mais quand il s'agit de concevoir des matériaux avec des propriétés quantiques exotiques comme la supraconductivité ou des états magnétiques uniques, ces modèles luttent. C'est dommage, car les humains pourraient utiliser l'aide. Par exemple, après une décennie de recherche sur une classe de matériaux qui pourraient révolutionner l'informatique quantique, appelée liquide de spin quantique, seules une douzaine de candidats en matière ont été identifiés. Le goulot d'étranglement signifie qu'il y a moins de matériaux pour servir de base aux percées technologiques.
Maintenant, les chercheurs du MIT ont développé une technique qui permet aux modèles de matériaux génératifs populaires de créer des matériaux quantiques prometteurs en suivant des règles de conception spécifiques. Les règles, ou contraintes, orientent les modèles pour créer des matériaux avec des structures uniques qui donnent naissance à des propriétés quantiques.
« Les modèles de ces grandes entreprises génèrent des matériaux optimisés pour la stabilité », explique Mingda Li, professeur de développement de carrière de la classe du MIT de 1947. « Notre point de vue est que ce n'est généralement pas ainsi que la science des matériaux avance. Nous n'avons pas besoin de 10 millions de nouveaux matériaux pour changer le monde, nous avons juste besoin d'un très bon matériel. »
L'approche est décrite dans un article publié dans Matériaux de la nature. Les chercheurs ont appliqué leur technique pour générer des millions de matériaux candidats composés de structures de réseau géométrique associées aux propriétés quantiques. De cette piscine, ils ont synthétisé deux matériaux réels avec des traits magnétiques exotiques.
« Les gens de la communauté quantique se soucient vraiment de ces contraintes géométriques, comme les réseaux Kagome qui sont deux triangles à l'envers et à l'envers. Nous avons créé des matériaux avec des réseaux Kagome parce que ces matériaux peuvent imiter le comportement des éléments de terres rares, donc ils sont d'une grande importance technique », dit Li.
Li est l'auteur principal du journal. Ses co-auteurs du MIT incluent Ph.D. Étudiants Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk et Denisse Cordova Carrizales; MANASI MANASI POST-DOC; Les chercheurs de premier cycle Kiran Mak et Bowen Yu; chercheur en visite Nguyen Tuan Hung; Xiang Fu, Ph.D.; et le professeur de génie électrique et d'informatique Tommi Jaakkola, qui est affilié au laboratoire d'informatique et d'intelligence artificielle (CSAIL) et de l'Institut de données, de systèmes et de société.
Les co-auteurs supplémentaires incluent Yao Wang de l'Université Emory, Weiwei Xie de la Michigan State University, YQ Cheng d'Oak Ridge National Laboratory et Robert Cava de l'Université de Princeton.
Modèles de direction vers l'impact
Les propriétés d'un matériau sont déterminées par sa structure et les matériaux quantiques ne sont pas différents. Certaines structures atomiques sont plus susceptibles de donner naissance à des propriétés quantiques exotiques que d'autres.
Par exemple, les réseaux carrés peuvent servir de plate-forme pour les supraconducteurs à haute température, tandis que d'autres formes appelées Kagome et Lieb Lattices peuvent prendre en charge la création de matériaux qui pourraient être utiles pour l'informatique quantique.
Pour aider une classe populaire de modèles génératifs appelés modèles de diffusion à produire des matériaux conformes à des modèles géométriques particuliers, les chercheurs ont créé Scigen (abréviation de l'intégration des contraintes structurelles dans le modèle génératif).
SciGen est un code informatique qui garantit que les modèles de diffusion adhèrent aux contraintes définies par l'utilisateur à chaque étape de génération itérative. Avec Scigen, les utilisateurs peuvent donner n'importe quel modèle géométrique de diffusion génératif du modèle de diffusion AI à suivre car il génère des matériaux.
Les modèles de diffusion AI fonctionnent en échantillonnant de leur ensemble de données de formation pour générer des structures qui reflètent la distribution des structures trouvées dans l'ensemble de données. Scigen bloque des générations qui ne s'alignent pas sur les règles structurelles.
Pour tester Scigen, les chercheurs l'ont appliqué à un modèle populaire de génération de matériaux d'IA connue sous le nom de DIFFCSP. Ils avaient le modèle équipé de scigen générer des matériaux avec des modèles géométriques uniques appelés réseaux archimédiens, qui sont des collections de pavages de réseau 2D de différents polygones. Les réseaux archimédiens peuvent conduire à une gamme de phénomènes quantiques et ont fait l'objet de nombreuses recherches.
« Les réseaux archimédiens donnent naissance à des liquides de spin quantique et à des bandes dites plates, qui peuvent imiter les propriétés des terres rares sans éléments de terres rares, ils sont donc extrêmement importants », explique Cheng, un auteur de co-correspondant de l'ouvrage.
« D'autres matériaux en réseau archimédéan ont de grands pores qui pourraient être utilisés pour la capture du carbone et d'autres applications, c'est donc une collection de matériaux spéciaux. Dans certains cas, il n'y a pas de matériaux connus avec ce réseau, donc je pense qu'il sera vraiment intéressant de trouver le premier matériau qui s'intègre dans ce réseau. »
Le modèle a généré plus de 10 millions de candidats matériels avec des réseaux archimédiens. Un million de ces matériaux ont survécu à un dépistage de la stabilité.
En utilisant les supercalculateurs du Oak Ridge National Laboratory, les chercheurs ont ensuite pris un échantillon plus petit de 26 000 matériaux et dirigé des simulations détaillées pour comprendre comment les atomes sous-jacents des matériaux se comportaient. Les chercheurs ont trouvé le magnétisme dans 41% de ces structures.
À partir de ce sous-ensemble, les chercheurs ont synthétisé deux composés précédemment non découverts, TipDBI et TipBSB, chez Xie et Cava's Labs. Des expériences ultérieures ont montré que les prédictions du modèle d'IA sont largement alignées sur les propriétés du matériau réel.
« Nous voulions découvrir de nouveaux matériaux qui pourraient avoir un énorme impact potentiel en incorporant ces structures qui sont connues pour donner naissance à des propriétés quantiques », explique Okabe, le premier auteur du journal. « Nous savons déjà que ces matériaux avec des modèles géométriques spécifiques sont intéressants, il est donc naturel de commencer par eux. »
Accélération des percées du matériel
Les liquides de spin quantique pourraient déverrouiller l'informatique quantique en permettant des qubits stables et résistants aux erreurs qui servent de base aux opérations quantiques. Mais aucun matériau liquide à spin quantique n'a été confirmé. Xie et Cava croient que le scigen pourrait accélérer la recherche de ces matériaux.
« Il y a une grande recherche de matériaux informatiques quantiques et de supraconducteurs topologiques, et ceux-ci sont tous liés aux modèles géométriques des matériaux », explique Xie. « Mais les progrès expérimentaux ont été très, très lents », ajoute Cava.
« Beaucoup de ces matériaux liquides de spin quantique sont sujets à des contraintes: ils doivent être dans un réseau triangulaire ou un réseau de kagome. Si les matériaux satisfont à ces contraintes, les chercheurs quantiques sont excités; c'est une condition nécessaire mais pas suffisante.
Les chercheurs soulignent que l'expérimentation est toujours essentielle pour évaluer si les matériaux générés par l'IA peuvent être synthétisés et comment leurs propriétés réelles se comparent aux prédictions du modèle. Les travaux futurs sur Scigen pourraient intégrer des règles de conception supplémentaires dans des modèles génératifs, y compris les contraintes chimiques et fonctionnelles.
« Les gens qui veulent changer le monde se soucient davantage des propriétés des matériaux que la stabilité et la structure des matériaux », explique Okabe. « Avec notre approche, le rapport des matériaux stables diminue, mais il ouvre la porte pour générer tout un tas de matériaux prometteurs. »
