Un grand modèle linguistique multimodal pour la science des matériaux

Pourquoi les nouveaux matériaux comptent dans la vie quotidienne

Des meilleures batteries de téléphone à des panneaux solaires plus efficaces en passant par des ordinateurs plus rapides, nombre des technologies de demain dépendent de la découverte et de l’amélioration de nouveaux matériaux. Pourtant, déterminer quelles combinaisons d’atomes donneront les propriétés souhaitées revient à chercher une aiguille dans une botte de foin de taille cosmique. Cet article présente MatterChat, un système d’intelligence artificielle conçu pour dialoguer avec des scientifiques en langage courant tout en « voyant » la structure atomique détaillée des matériaux, aidant à prédire leur comportement et la façon dont ils pourraient être synthétisés en laboratoire.

Un assistant numérique qui voit les atomes et lit les mots

MatterChat est conçu pour combiner deux types d’informations très différents : l’arrangement 3D précis des atomes dans un solide et les questions et connaissances textuelles que les scientifiques utilisent. D’un côté, le système prend une structure cristalline, qui peut être représentée comme un réseau d’atomes et de liaisons. Il l’analyse à l’aide de modèles inspirés de la physique, entraînés sur des centaines de milliers de matériaux connus, pour produire des empreintes numériques compactes de chaque atome et de son voisinage. De l’autre côté, un grand modèle linguistique — basé sur le système open source Mistral 7B — transforme la question de l’utilisateur, par exemple sur la stabilité ou le comportement électronique, en sa propre représentation interne. Un module « passerelle » spécialement conçu apprend ensuite à aligner ces deux univers pour que le modèle de langage puisse raisonner directement sur ce que font les atomes.

Apprendre au système à partir d’un catalogue riche en matériaux

Pendant l’entraînement de MatterChat, les auteurs se sont appuyés sur une vaste base de données contenant 142 899 matériaux inorganiques provenant du Materials Project. Pour chaque matériau, ils ont utilisé non seulement la structure atomique complète mais aussi douze types d’informations descriptives. Celles-ci allaient d’identifiants de base tels que la formule chimique, le type de symétrie et la famille cristalline à neuf propriétés clés incluant si le matériau est métallique ou isolant, sa bande interdite électronique, son comportement magnétique et plusieurs mesures de stabilité thermodynamique. En associant chaque structure à de nombreuses questions et réponses au format texte sur ces propriétés, le système a appris à relier les motifs d’arrangements atomiques aux mots que les scientifiques emploient pour décrire et analyser les matériaux.

Des simples consultations aux raisonnements de type scientifique

Une fois entraîné, MatterChat peut faire bien plus que répéter des entrées de base de données. Lorsqu’un utilisateur fournit une structure, le système peut répondre à un large éventail de questions, comme identifier la formule, estimer si le matériau devrait exister en laboratoire, ou évaluer des énergies qui nécessitent normalement des calculs quantiques lourds. Les auteurs montrent des exemples où MatterChat produit des évaluations détaillées de matériaux spécifiques, incluant des commentaires sur la stabilité, les bandgaps électroniques et le magnétisme. Dans certains cas, il va plus loin en générant des recettes expérimentales plausibles étape par étape pour synthétiser des composés bien connus comme le nitrure de gallium ou le grenat de fer et d’yttrium, en s’appuyant sur les connaissances scientifiques générales contenues dans son modèle linguistique tout en ancrant ses réponses dans la structure cristalline fournie.

De meilleures performances que les chatbots polyvalents sur les nombres difficiles

Un résultat marquant est que MatterChat surpasse les modèles de langage traditionnels et plusieurs outils spécialisés d’apprentissage automatique inspirés par la physique pour prédire des propriétés quantifiables des matériaux. Sur neuf tâches de référence, il est plus précis pour décider, par exemple, si un solide est métallique, stable ou magnétique. Pour des grandeurs continues telles que l’énergie de formation ou la bande interdite, ses prédictions sont plus proches des valeurs obtenues par des simulations informatiques exigeantes. Ceci vaut même lorsqu’il est testé sur un ensemble séparé de composés récemment découverts dans le projet GNoME, qui n’avaient pas été utilisés pendant l’entraînement. Les auteurs analysent également les représentations internes du système et montrent que des structures similaires se regroupent et que les changements de stabilité se suivent de manière fluide sur cette carte interne, indiquant que le modèle a appris des motifs chimiquement significatifs.

Ce que cela pourrait signifier pour la découverte de nouveaux matériaux

Pour les non-spécialistes, l’idée principale est que MatterChat agit comme un partenaire de conversation qui comprend à la fois le langage scientifique et a une perception détaillée de l’agencement des atomes dans les solides. En fusionnant ces capacités, il peut répondre rapidement à des questions qui nécessitaient autrefois l’intuition d’experts et des calculs coûteux, et il peut suggérer des voies de synthèse réalistes pour des candidats prometteurs. Bien que les auteurs notent que le système a encore des difficultés avec des nombres extrêmement précis et peut parfois émettre des estimations trop confiantes, ils soutiennent que sa conception modulaire et ses bonnes performances constituent un pas important vers des outils d’IA qui aident les scientifiques à explorer l’immense espace des matériaux possibles, accélérant le chemin des idées aux technologies opérationnelles.

Citation: Tang, Y., Xu, W., Cao, J. et al. A multimodal large language model for materials science. Nat Mach Intell 8, 588–601 (2026). https://doi.org/10.1038/s42256-026-01214-y

Mots-clés: découverte de matériaux, IA multimodale, structures cristallines, prédiction de propriétés, chatbots scientifiques