Développer l’apprentissage profond pour la découverte de matériaux

Les nouveaux matériaux fonctionnels permettent des percées fondamentales dans toutes les applications technologiques, de l’énergie propre au traitement de l’information. Des puces aux batteries et au photovoltaïque, la découverte de cristaux inorganiques a été entravée par des méthodes d’essais et d’erreurs coûteuses. Parallèlement, les modèles d’apprentissage profond pour le langage, la vision et la biologie ont mis en évidence des capacités prédictives émergentes avec des données et des calculs croissants. Nous montrons ici que les réseaux de graphes formés à grande échelle peuvent atteindre des niveaux de généralisation sans précédent, améliorant l’efficacité de la découverte de matériaux d’un ordre de grandeur. S’appuyant sur 48000 cristaux stables identifiés dans des études continues, l’amélioration de l’efficacité permet la découverte de 2,2 millions de structures sous la coque convexe actuelle, dont beaucoup ont échappé à l’intuition chimique humaine précédente. Notre travail représente une expansion d’ordre de grandeur dans des matériaux stables connus de l’humanité. Les découvertes stables qui se trouvent sur la coque convexe finale seront mises à la disposition du criblage pour des applications technologiques, comme nous le démontrons pour les matériaux stratifiés et les candidats solides-électrolytes. Parmi les structures stables, 736 ont déjà été réalisées indépendamment expérimentalement. L’échelle et la diversité de centaines de millions de calculs de premier principe ouvrent également des possibilités de modélisation pour les applications en aval, conduisant en particulier à des potentiels interatomiques appris très précis et robustes qui peuvent être utilisés danssimulations de dynamique moléculaire de phase et prédiction haute fidélité de la conductivité ionique.