Solution de diffusion équivariante pour la détermination de structures cristallines inorganiques à partir de données de diffraction X sur poudre

Apprendre aux ordinateurs à lire les empreintes des cristaux

Beaucoup des technologies actuelles, des batteries aux catalyseurs en passant par les aimants, dépendent de l’agencement précis des atomes dans les cristaux inorganiques. Cette architecture invisible est habituellement décryptée à l’aide de rayons X, qui laissent une « empreinte » caractéristique. Mais transformer ces motifs en une carte atomique précise a longtemps exigé des années d’apprentissage et de laborieuses tentatives-erreurs. Cette étude présente un système d’IA, nommé XRDSol, capable de lire ces empreintes et de proposer des structures cristallines complètes en moins d’une seconde, ouvrant la voie à une découverte de matériaux plus rapide et à des bases de données plus fiables.

Pourquoi les diagrammes sur poudre sont si difficiles à déchiffrer

Lorsque des rayons X traversent un cristal unique parfaitement formé, ils produisent un motif tridimensionnel riche qui permet de localiser chaque atome. Les échantillons réels sont toutefois souvent des poudres constituées de nombreux petits grains. Leur motif de diffraction X s’effondre en une série unidimensionnelle de pics, où une grande partie de l’information spatiale d’origine est perdue. Les experts doivent généralement combiner ce motif compressé avec leurs connaissances en chimie et cristallographie, deviner les paramètres de maille, la symétrie et les positions atomiques, puis affiner ces hypothèses de manière répétée. Pour des matériaux complexes ou mal connus, les solutions peuvent être incomplètes, controversées voire erronées, et de grandes bases de données structurales contiennent des milliers d’entrées aux coordonnées atomiques manquantes ou peu plausibles.

Une IA qui reconstruit l’agencement atomique

Les auteurs relèvent ce défi avec XRDSol, un modèle d’intelligence artificielle fondé sur un processus de diffusion équivariant opérant sur une représentation en graphe du cristal. Plutôt que de partir d’une bonne estimation, XRDSol commence avec des atomes placés à des positions aléatoires à l’intérieur d’une maille connue (avec formule chimique et paramètres de réseau connus). Lors de l’entraînement, le modèle apprend à inverser un processus progressif de « bruitage » dans lequel des structures bien établies et thermodynamiquement stables sont à plusieurs reprises déformées. Guidé par une représentation compressée du motif de diffraction X sur poudre cible, le modèle « débruite » itérativement l’agencement aléatoire, incitant les atomes pas à pas à occuper des positions à la fois chimiquement sensées et conformes au motif observé. Parce que le réseau de neurones sous-jacent respecte les symétries de rotation et de translation des cristaux, il privilégie naturellement des agencements physiquement raisonnables.

Solutions rapides et précises sur de nombreux matériaux

Pour évaluer XRDSol, l’équipe a utilisé un jeu de données de plus de 9 000 structures inorganiques stables avec des motifs de poudre simulés. Sur un seul processeur graphique, le modèle met environ 0,6 seconde pour générer une solution pour une structure — environ dix mille à cent mille fois plus rapide que les méthodes antérieures reposant sur des calculs quantiques lourds et des recherches évolutionnaires. Dans plus de 80 % des cas, XRDSol a retrouvé des positions atomiques correspondant étroitement aux structures connues, et dans plus de 90 % des cas, le motif de diffraction reconstruit était très similaire à la cible. La méthode fonctionne particulièrement bien pour les cristaux à haute symétrie, bien que les performances diminuent pour les cas de faible symétrie, plus compliqués. Néanmoins, des exemples allant de sels simples à des oxydes, sulfures et composés intermétalliques complexes montrent que l’approche est largement applicable à diverses chimies.

Corriger d’anciens enregistrements et compléter des structures manquantes

Au-delà de la reproduction des réponses connues, XRDSol peut améliorer des solutions douteuses. Les auteurs ont réexaminé des milliers d’entrées de bases de données présentant des énergies calculées anormalement élevées — un indicateur qu’il y a un problème avec la structure publiée. En n’utilisant que le motif de poudre, la maille et la composition en entrée, XRDSol a proposé des agencements atomiques alternatifs. Pour au moins 39 composés, les nouvelles structures correspondaient mieux aux données de diffraction et présentaient des énergies bien plus basses, en accord avec des ré-déterminations expérimentales ultérieures dans plusieurs cas bien étudiés. Le système a également complété les coordonnées manquantes pour 912 entrées dont les motifs de diffraction étaient connus mais dont les positions atomiques faisaient défaut, y compris des exemples difficiles contenant des éléments légers tels que l’hydrogène et le lithium, des minéraux naturels avec impuretés et des matériaux présentant un désordre chimique. Ces structures générées par l’IA ont été vérifiées par des calculs quantiques et une inspection manuelle et se sont révélées énergétiquement plausibles et chimiquement raisonnables.

Vers une découverte automatisée des matériaux

XRDSol démontre qu’un réseau de neurones conscient de la symétrie, fondé sur la diffusion, peut apprendre une grande partie du savoir d’expert nécessaire pour résoudre des structures cristallines inorganiques directement à partir de données de diffraction X sur poudre. Bien que la méthode éprouve encore des difficultés avec des mailles unitaires très larges, des phases de faible symétrie et des sites entièrement désordonnés, elle fournit déjà des modèles de départ rapides et de haute qualité pour des raffinements ultérieurs. Concrètement, cela signifie une analyse de routine plus rapide pour des non-spécialistes, un outil puissant pour nettoyer et compléter de grandes bases de données structurales, et un composant clé pour des laboratoires en boucle fermée où des ordinateurs conçoivent, synthétisent, caractérisent et optimisent de nouveaux matériaux avec une intervention humaine minimale.

Citation: Yu, D., Zhu, Z., Leng, F. et al. Equivariant diffusion solution for inorganic crystal structure determination from powder X-ray diffraction data. Nat Commun 17, 3274 (2026). https://doi.org/10.1038/s41467-026-70035-9

Mots-clés: diffraction X sur poudre, détermination de structure cristalline, modèle de diffusion équivariant, informatique des matériaux, réseaux de neurones graphiques