fr.wedoany.com Rapport : L'Académie DAMO d'Alibaba, en collaboration avec l'École d'Intelligence Artificielle Gaoling de l'Université Renmin de Chine, l'Université de l'Académie des Sciences de Chine et d'autres institutions, a dévoilé le premier agent IA dédié à la découverte de matériaux supraconducteurs, baptisé « ElementsClaw » (Griffe d'Éléments). Cet agent a prédit, en seulement 28 heures GPU, 68 000 candidats potentiels à la supraconductivité parmi 2,4 millions de cristaux stables connus, dont 4 ont été confirmés expérimentalement comme étant de nouveaux supraconducteurs jusqu'alors inconnus de l'humanité.
La découverte de matériaux supraconducteurs est un défi central de la physique depuis 1911. Les méthodes traditionnelles reposent sur de nombreux essais-erreurs, qualifiées de « recherche à la manière d'un cuisinier ». La base de données internationale de référence, SuperCon, ne recense qu'environ 2 000 matériaux supraconducteurs, dont seulement quelques dizaines ont une température critique atteignant plusieurs dizaines de K. Le chercheur Jin Shifeng de l'Université de l'Académie des Sciences de Chine souligne que le mécanisme physique des supraconducteurs à haute température avec une température de transition supérieure à 40 K sous pression ambiante n'est pas encore totalement compris, et que des matériaux majeurs comme les supraconducteurs à base de cuivre, de fer ou de nickel ont presque tous été découverts par hasard.
Bien que l'IA ait réalisé des percées en science des matériaux, comme GNoME de DeepMind qui a prédit 2,2 millions de matériaux stables, ou MatterGen de Microsoft qui conçoit de nouvelles structures en fonction de propriétés, ces systèmes manquent de capacité à évaluer des informations globales telles que la littérature, la synthétisabilité, la toxicité ou le coût. Rong Yu, responsable de la science intelligente à l'Académie DAMO, indique que les modèles de prédiction ponctuels ne peuvent pas remplacer l'ensemble du processus de recherche scientifique réel.
ElementsClaw adopte une architecture d'agent « intégrant le général et le spécialisé », comprenant un réseau neuronal profond géométrique à 1 milliard de paramètres nommé « Elements ». Sa phase de pré-entraînement a utilisé 125 millions de structures moléculaires et cristallines, atteignant ou approchant le niveau SOTA dans 22 tests de référence en science des matériaux, et a validé pour la première fois la loi de mise à l'échelle (Scaling Law) sur une architecture non basée sur un grand modèle de langage. Cet agent dispose de plusieurs modules fonctionnels : Elements-T prédit la température critique de supraconductivité avec une erreur absolue moyenne de seulement 0,99 K ; Elements-C détermine si un matériau est supraconducteur avec un AUC de 0,996 ; Elements-E prédit l'énergie et la stabilité ; Elements-G génère de nouvelles structures cristallines. Le système agent est responsable de la recherche documentaire, de la comparaison avec les bases de données, de l'analyse de la synthétisabilité et de la conception de protocoles expérimentaux, et possède la capacité de micro-ajuster automatiquement les modèles en fonction des nouvelles données.
L'équipe de recherche a synthétisé expérimentalement 4 nouveaux supraconducteurs selon 4 voies. « Le poisson passé à travers le filet », Hf₂₁Re₂₅ (température critique 2,5 K), provient d'une base de données existante mais non validée expérimentalement ; « L'innocent réhabilité », Zr₄VRe₇ (température critique 3,5 K), corrige une erreur structurelle dans la base de données ; « Créé de toutes pièces », HfZrRe₄ (température critique 5,9 K), est une structure entièrement nouvelle générée par l'IA ; « Raisonnement par analogie », Zr₃ScRe₈ (température critique 6,5 K), a été découvert en résumant des motifs structuraux et en substituant des éléments. Les températures critiques de ces matériaux ne sont pas élevées, la plus haute étant de 6,5 K, mais le taux de réussite des recommandations de l'IA est passé d'environ 3 % dans la nature à 40 %.
L'Académie DAMO a rendu publique l'intégralité de la base de données de prédiction des 2,4 millions de cristaux stables, accessible gratuitement aux chercheurs du monde entier. Huang Wenbing, professeur associé à l'École d'Intelligence Artificielle Gaoling de l'Université Renmin de Chine, souligne que l'objectif de l'IA pour la science (AI for Science) est de réaliser une symbiose homme-machine, où l'IA se charge du filtrage des données et des tâches répétitives, tandis que les scientifiques posent les questions et construisent le système de connaissances.
