Un algorithme d'apprentissage automatique qui peut prédire les compositions de nouveaux matériaux défiant les tendances a été développé par les chimistes de RIKEN1. Il sera utile pour trouver des matériaux pour des applications où il existe un compromis entre deux ou plusieurs propriétés souhaitables.

L'intelligence artificielle a un grand potentiel pour aider les scientifiques à trouver de nouveaux matériaux avec des propriétés souhaitables. Un algorithme d'apprentissage automatique qui a été formé avec les compositions et les propriétés de matériaux connus peut prédire les propriétés de matériaux inconnus, gagner beaucoup de temps en laboratoire.

Mais découvrir de nouveaux matériaux pour des applications peut être délicat car il y a souvent un compromis entre deux ou plusieurs propriétés des matériaux. Un exemple est les matériaux organiques pour les cellules solaires organiques, où l'on souhaite maximiser à la fois la tension et le courant, note Kei Terayama, qui était au RIKEN Center for Advanced Intelligence Project et est maintenant à l'Université de la ville de Yokohama. "Il y a un compromis entre tension et courant :un matériau qui présente une haute tension aura un faible courant, alors qu'un avec un courant élevé aura une basse tension."

Les scientifiques des matériaux veulent donc souvent trouver des matériaux "hors tendance" qui vont à l'encontre du compromis habituel. Mais malheureusement, les algorithmes d'apprentissage automatique conventionnels réussissent beaucoup mieux à repérer les tendances qu'à découvrir des matériaux qui vont à leur encontre.

Maintenant, Terayama et ses collègues ont développé un algorithme d'apprentissage automatique, BLOX (Exploration gratuite d'objectifs sans limites), qui peut localiser des matériaux hors de tendance.

L'équipe a démontré la puissance de l'algorithme en l'utilisant pour identifier huit molécules hors tendance avec un degré élevé de photoactivité à partir d'une base de données de découverte de médicaments. Les propriétés de ces molécules présentaient un bon accord avec celles prédites par l'algorithme. "Nous avions des inquiétudes quant à l'exactitude du calcul mais nous étions ravis de voir que le calcul était correct, ", déclare Terayama. "Cela montre le potentiel du développement de matériaux axé sur le calcul."

BLOX utilise l'apprentissage automatique pour générer un modèle de prédiction des propriétés clés des matériaux. Pour ce faire, il combine des données pour des matériaux sélectionnés au hasard dans une base de données de matériaux avec des résultats expérimentaux ou de calcul. BLOX utilise ensuite le modèle pour prédire les propriétés d'un nouvel ensemble de matériaux. A partir de ces nouveaux matériaux, BLOX identifie celui qui s'écarte le plus de la distribution globale. Les propriétés de ce matériau sont déterminées par des expériences ou des calculs, puis utilisées pour mettre à jour le modèle d'apprentissage automatique, et le cycle se répète.

Surtout, contrairement à de nombreux algorithmes précédents, BLOX n'impose aucune restriction sur la gamme de structures et de compositions de matériaux qui peuvent être explorées. Il peut ainsi aller très loin dans sa recherche de matériaux périphériques.

L'équipe a rendu BLOX disponible gratuitement en ligne.