Amélioration de la prédiction des propriétés des matériaux à partir de la composition par transfert de connaissances multimodal

Pourquoi il est important d’estimer le comportement des matériaux

Concevoir de nouvelles batteries, cellules solaires ou alliages plus résistants part souvent d’une recette simple indiquant quels éléments mélanger. Transformer cette recette en un matériau réel dont la résistance, la conductivité ou la stabilité sont connues requiert généralement des calculs quantiques coûteux ou des expériences. Cette étude montre comment des modèles d’IA basés sur le langage, initialement conçus pour traiter du texte, peuvent apprendre à partir de multiples types de données sur les matériaux et ensuite prédire des propriétés importantes directement à partir d’une formule chimique, réduisant ainsi le coût et le temps nécessaires pour explorer d’immenses espaces de composés possibles.

Des recettes aux prédictions

Les outils traditionnels d’apprentissage automatique en science des matériaux se répartissent en deux familles. Une famille nécessite des structures cristallines détaillées, décrivant l’agencement des atomes en trois dimensions, et peut prédire les propriétés avec précision mais à un coût computationnel élevé. L’autre famille n’examine que la formule chimique globale, par exemple le nombre d’atomes de chaque élément, ce qui est moins cher mais généralement moins précis. Les auteurs visent à combler cet écart : ils veulent des modèles qui ne voient que la formule mais qui performent quasi aussi bien que les méthodes conscientes de la structure, permettant un criblage rapide de composés jamais synthétisés ou même modélisés structurellement.

Apprendre à l’IA le langage des matériaux

L’équipe part des modèles de langage chimiques, qui traitent une formule comme une suite de tokens, un peu comme des mots dans une phrase. D’abord, ces modèles apprennent à reconstituer des parties manquantes de formules, une tâche d’entraînement qui les aide à capturer les régularités quant aux éléments qui se combinent et à leurs proportions. Les auteurs biaisent ensuite cet apprentissage en faveur des matériaux thermodynamiquement stables, de sorte que le modèle accorde plus d’attention aux compositions réalistes. Ils introduisent alors une torsion cruciale : au lieu d’apprendre uniquement à partir de texte comme les modèles de langage traditionnels, leurs modèles sont alignés avec un modèle fondation multimodal distinct qui a déjà appris à partir de sources multiples, y compris des structures cristallines, des comportements électroniques et des distributions de charge. En pratique, le modèle de langage hérite d’une riche connaissance structurale tout en n’utilisant que des formules.

Deux voies pour partager les connaissances

Les chercheurs explorent deux stratégies complémentaires, qu’ils nomment transfert de connaissances cross-modal implicite et explicite. Dans la version implicite, le modèle de langage basé sur la formule est entraîné à reproduire les représentations internes produites par le modèle fondation multimodal, de sorte qu’il absorbe discrètement la façon dont les structures et les motifs électroniques se rapportent à la composition. Dans la version explicite, un grand modèle génératif propose d’abord des structures cristallines probables pour chaque formule, puis des réseaux de neurones graphiques, adaptés au traitement de réseaux d’atomes, prédisent les propriétés à partir de ces structures. Cette voie en deux étapes cherche à reconstituer l’information cristalline manquante avant d’effectuer la prédiction.

Quelle est l’efficacité des méthodes

Les modèles sont testés sur deux grandes suites de référence couvrant des dizaines de grandeurs cibles, depuis les gaps de bande pertinents pour les cellules solaires jusqu’à des propriétés mécaniques comme le module de cisaillement. Sur la plupart de ces tâches, en particulier pour les jeux de données issus de calculs mécaniques quantiques, les modèles à transfert implicite affichent des erreurs de prédiction plus faibles que les modèles de langage antérieurs et rivalisent souvent avec de solides concurrents basés sur la structure. La chaîne de transfert explicite améliore également les modèles de langage basés sur la composition précédents, mais elle est ralentie par la nécessité de générer des structures cristallines. Produire ces structures peut prendre des dizaines de fois plus de temps par matériau que la prédiction directe d’un modèle de langage, en particulier quand les compositions comprennent de nombreux éléments différents.

Regarder à l’intérieur de la boîte noire

Pour comprendre ce que le modèle de langage a appris, les auteurs appliquent une analyse inspirée de la théorie des jeux qui mesure comment différentes parties de l’entrée, prises seules ou en combinaison, influencent la propriété prédite. En examinant le module de cisaillement, qui renseigne sur la résistance d’un matériau au changement de forme, ils constatent que certains éléments et groupements d’éléments augmentent ou diminuent fortement la valeur, en accord avec des composés durs connus comme les borures et les carbures. Certains motifs de trois tokens dans la formule peuvent même être reliés à des prototypes cristallins familiers, ce qui suggère que le modèle a implicitement capté des motifs structuraux à partir de la composition seule.

Ce que cela signifie pour la découverte future de matériaux

Dans l’ensemble, l’étude montre que le partage de connaissances entre différents types de données sur les matériaux peut améliorer significativement la prédiction de propriétés lorsque seule la formule chimique est disponible. L’approche implicite, où le modèle de langage est guidé par un modèle fondation multimodal, offre le meilleur compromis entre précision et rapidité, ce qui la rend attractive pour de vastes criblages virtuels de nouveaux composés. La voie explicite qui reconstitue les structures cristallines constitue un autre angle prometteur, en particulier à mesure que les générateurs de structures s’améliorent. Ensemble, ces méthodes ouvrent la voie à des outils d’IA capables de trier rapidement d’immenses espaces chimiques et de mettre en avant les candidats les plus prometteurs bien avant qu’un seul cristal ne soit cultivé.

Citation: Rubtsov, I., Dudakov, I., Kuratov, Y. et al. Enhancing composition-based materials property prediction by cross-modal knowledge transfer. Sci Rep 16, 16434 (2026). https://doi.org/10.1038/s41598-026-53182-3

Mots-clés: informatiques des matériaux, modèles de langage chimique, prédiction de propriétés, apprentissage multimodal, structures cristallines