Les techniques d'IA générative, l'apprentissage automatique et les simulations offrent aux chercheurs de nouvelles opportunités pour identifier des matériaux de structure organométallique respectueux de l'environnement.

Le captage du carbone est une technologie essentielle pour réduire les émissions de gaz à effet de serre des centrales électriques et autres installations industrielles. Cependant, il reste encore à trouver un matériau approprié pour un captage efficace du carbone à faible coût. Un candidat est celui des cadres métallo-organiques ou MOF. Ce matériau poreux peut absorber sélectivement le dioxyde de carbone.

Les MOF ont trois types d'éléments constitutifs dans leurs molécules :les nœuds inorganiques, les nœuds organiques et les lieurs organiques. Ceux-ci peuvent être disposés dans différentes positions et configurations relatives. En conséquence, il existe d'innombrables configurations MOF potentielles que les scientifiques peuvent concevoir et tester.

Pour accélérer le processus de découverte, les chercheurs du Laboratoire national d'Argonne du Département américain de l'énergie (DOE) suivent plusieurs voies. L’une d’entre elles est l’intelligence artificielle (IA) générative, qui permet d’imaginer des éléments de base jusqu’alors inconnus. Une autre forme d’IA est l’apprentissage automatique. Une troisième voie est le criblage à haut débit des matériaux candidats. La dernière consiste en des simulations basées sur la théorie utilisant une méthode appelée dynamique moléculaire.

Des chercheurs du Beckman Institute for Advanced Science and Technology de l'Université de l'Illinois à Urbana-Champaign (UIUC), de l'Université de l'Illinois à Chicago et de l'Université de Chicago se joignent à Argonne dans ce projet.

Concevoir des MOF avec une sélectivité et une capacité optimales en carbone constitue un défi de taille. Jusqu’à présent, la conception des MOF reposait sur un travail expérimental et informatique minutieux. Cela peut être coûteux et prendre du temps.

En explorant l’espace de conception MOF avec l’IA générative, l’équipe a pu assembler rapidement, élément par élément, plus de 120 000 nouveaux candidats MOF en 30 minutes. Ils ont effectué ces calculs sur le superordinateur Polaris de l'Argonne Leadership Computing Facility (ALCF).

Ils se sont ensuite tournés vers le supercalculateur Delta de l’UIUC pour effectuer des simulations de dynamique moléculaire fastidieuses en utilisant uniquement les candidats les plus prometteurs. L’objectif est de les examiner pour leur stabilité, leurs propriétés chimiques et leur capacité à capturer le carbone. Delta est le fruit d'un effort conjoint de l'Illinois et de son Centre national pour les applications du calcul intensif.

L'approche de l'équipe pourrait à terme permettre aux scientifiques de synthétiser uniquement les meilleurs prétendants au MOF. "Les gens réfléchissent aux MOF depuis au moins deux décennies", a déclaré Eliu Huerta, informaticien d'Argonne, qui a contribué à diriger l'étude. "Les méthodes traditionnelles impliquent généralement une synthèse expérimentale et une modélisation informatique avec des simulations de dynamique moléculaire. Mais essayer d'étudier le vaste paysage des MOF de cette manière est tout simplement peu pratique."

Une informatique encore plus avancée sera bientôt disponible pour l’équipe. Grâce à la puissance du supercalculateur exascale Aurora de l'ALCF, les scientifiques pourraient étudier des milliards de candidats MOF à la fois, dont beaucoup n'ont même jamais été proposés auparavant.

De plus, l'équipe s'inspire chimiquement de travaux antérieurs sur la conception moléculaire pour découvrir de nouvelles façons dont les différents éléments constitutifs d'un MOF pourraient s'assembler.

"Nous voulions ajouter de nouvelles saveurs aux MOF que nous concevions", a déclaré Huerta. "Nous avions besoin de nouveaux ingrédients pour la recette de l'IA." L'algorithme de l'équipe peut apporter des améliorations aux MOF pour le captage du carbone en apprenant la chimie à partir d'ensembles de données expérimentales de biophysique, de physiologie et de chimie physique qui n'ont pas été prises en compte auparavant pour la conception de MOF.

Pour Huerta, regarder au-delà des approches traditionnelles recèle la promesse d'un matériau MOF transformateur, qui pourrait être efficace dans le captage du carbone, rentable et facile à produire.

"Nous connectons désormais l'IA générative, le criblage à haut débit, la dynamique moléculaire et les simulations de Monte Carlo dans un flux de travail autonome", a déclaré Huerta. "Ce flux de travail intègre un apprentissage en ligne utilisant des recherches expérimentales et informatiques antérieures pour accélérer et améliorer la précision de l'IA afin de créer de nouveaux MOF."

L'approche atome par atome de la conception des MOF permise par l'IA permettra aux scientifiques de disposer de ce que Ian Foster, scientifique principal d'Argonne et directeur de la division Data Science and Learning, a appelé une « lentille plus large » sur ces types de structures poreuses.

"Des travaux sont en cours pour que, pour les nouveaux MOF assemblés par l'IA qui sont prédits, nous incorporions les informations de laboratoires autonomes pour valider expérimentalement leur capacité à être synthétisés et leur capacité à capturer le carbone", a déclaré Foster. "Avec le modèle affiné, nos prévisions ne feront que s'améliorer."

Un article basé sur l'étude a été rédigé par Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster et Emad Tajkhorshid. Il est apparu dans le numéro en ligne de Communications Chemistry .

"L'étude démontre le grand potentiel de l'utilisation d'approches basées sur l'IA dans les sciences moléculaires", a déclaré Tajkhorshid de l'UIUC. "Nous espérons étendre la portée de cette approche à des problèmes tels que les simulations biomoléculaires et la conception de médicaments."

"Ce travail témoigne de la collaboration entre des étudiants diplômés et des scientifiques en début de carrière de différentes institutions qui se sont réunis pour travailler sur cet important projet d'IA pour la science", a déclaré Huerta. "L'avenir restera brillant tant que nous continuerons d'inspirer et d'être inspirés par de jeunes scientifiques talentueux."

Plus d'informations : Hyun Park et al, Un cadre d'intelligence artificielle générative basé sur un modèle de diffusion moléculaire pour la conception de cadres métallo-organiques pour la capture du carbone, Communications Chemistry (2024). DOI : 10.1038/s42004-023-01090-2

Fourni par le Laboratoire National d'Argonne