L'I.A. au service de la recherche avec GNoME : Graph Networks for Material Exploration

En mars 2016, l'I.A. AlphaGo de DeepMind battait sans équivoque le champion du jeu de Go de l'époque, le Coréen Lee Sedol. La question de savoir en quoi une I.A. experte en Go serait éventuellement utile un jour n'était pas officiellement au programme mais l'expertise développée n'allait pas rester longtemps inexploitée.

Pour ceux qui ne connaissent pas les principes du jeu de Go, rappelons que chaque joueur essaie d'entourer les pions de son adversaire. Comme chacun place une pièce à tour de rôle, la façon de disposer les pièces représente l'essentiel de la stratégie car chaque forme dessinée par les pièces entraîne des propriétés différentes.  Une ligne, un T, un U ont tous des avantages différents selon le lieu et le voisinage.

Dans le monde des atomes et des molécules, les constituants d'un matériau peuvent être les mêmes mais leur disposition et leurs inter-relations entraînent des propriétés différentes. Si le jeu de Go se passe sur un plan en 2 dimensions avec deux éléments différents, le monde matériel est en trois dimensions et est composé de près de 100 atomes différents et de millions de molécules qui, chacune, ont une masse, une charge, une forme et des caractéristiques qui entraînent des propriétés particulières, des affinités et comportements uniques à chaque combinaison.

L'I.A. GNoME à la rescousse de la chimie

Les composants stables forment l'essentiel de la matière que nous connaissons.

Par exemple, le chlorure de sodium (NaCl - le sel) est un composé qui se cristallise facilement et qui se dissout aussi facilement.C'est un composé courant dans nos conditions. Des composés aussi simple que le carbone peuvent être organisés de plusieurs manières différentes pour donner des matériaux aussi communs que le graphite, aussi rares que le diamant ou aussi sophistiqués que le graphène ou les fullerènes. Des combinaisons complexes, comme ceux à la base du ciment (acide silicique, alumine, oxyde de fer et chaux) sont pourtant tous composés de molécules stables mais dont les interactions sont déterminantes pour les propriétés du produit final.

En somme, parmi les milliards de milliards de façons de combiner des atomes et des molécules, seules un certain nombre peuvent donner des composés stables et, parmi eux, encore moins possèdent des caractéristiques particulières comme la conductivité, l'élasticité, le magnétisme, la solidité, la résistance, etc.

Le défi, en recherche des matériaux, consiste à d'abord déterminer si une combinaison d'atomes sera stable et ensuite d'essayer de prédire ses propriétés.

À partir des données sur les matériaux connus, près de 40 000, et des théories existantes comme la densité fonctionnelle (density functional theory (DFT)), GNoME (Graph Networks for Materials Exploration), une intelligence artificielle développée par DeepMind, les mêmes derrière AlphaGo et AlphaFold, la base de données des protéines, s'est entrainé et a ensuite modélisé plus de 2,2 millions de cristaux potentiels, ce qui à la vitesse de la recherche jusqu'ici aurait pris autour de 600 ans à réaliser.

Sur ces 2,2 millions de cristaux, cette I.A. a identifié qu'environ 421 000 d'entre eux seraient suffisamment stables pour être synthétisés, et 738 d'entre eux l'ont effectivement été avec des propriétés en accord avec les prédictions de l'ordre de 80 %. Par rapport à 33 % dans les meilleures cas jusqu'ici ou à 1 % il n'y a pas si longtemps, c'est du jamais vu et ouvre des perspectives déstabilisantes. L'I.A. ne prend pas encore en compte les effets de ces composés hypothétiques sur l'environnement, la santé ou la vie. Fournira t'elle éventuellement les formules pour leur recyclage ou leur récupération ?

Actuellement, l'I.A. se limite à des composés ne comportant pas plus de 5 types d'atomes et à des stratégies de substitution,  d'estimation des niveaux d'énergie de liaison et des formes structurelles. À mesure que son apprentissage progresse, de plus en plus de données sont accumulées et d'autres approches plus audacieuses feront radicalement augmenter le nombre de possibilités. De quoi occuper toute l'industrie pour bien des années.

Retour du joueur de Go

Dans l'histoire de l'I.A et du jeu de Go, en 2023, Kellin Pelrine, un étudiant au doctorat en Apprentissage Machine de l'Université McGill a sèchement battu AlphaGo 14 parties à 1 simplement en étudiant la façon dont AlphaGo fonctionnait et en utilisant une stratégie de confusion (recommandée par une autre I.A.), stratégie que n'importe quel humain aurait immédiatement détecté.

Les limites de GNoME sont du même genre et son potentiel ne s'améliore qu'avec les interventions humaines qui lui fournissent théories, données et objectifs à poursuivre. Il s'agit d'un outil extraordinaire dont nous sommes capables de reconnaître les limites... et les dépasser.

Références

Scaling deep learning for materials discovery
https://www.nature.com/articles/s41586-023-06735-9

Millions of new materials discovered with deep learning - Amil Merchant and Ekin Dogus Cubuk -  DeepMind
https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/

AphaFold - https://alphafold.ebi.ac.uk/

Graphène - https://fr.wikipedia.org/wiki/Graph%C3%A8ne

Kellin Pelrine - https://www.linkedin.com/posts/kellin-pelrine_kellin-pelrine-how-he-crushed-a-superhuman-activity-7073179974484021248-hr_F/

L’intelligence artificielle a perdu au jeu de go face à un humain (aidé par une IA)
https://www.20minutes.fr/high-tech/4024717-20230221-intelligence-artificielle-perdu-jeu-go-face-humain-aide-ia

Art du Go - Règles du jeu de Go -  https://artdugo.fr/regles-du-jeu-de-go/