POLYT5 : un modèle fondation encodeur–décodeur du langage chimique pour la conception générative de polymères

Apprendre aux ordinateurs le langage des plastiques

Les plastiques et autres polymères sont omniprésents — des coques de téléphone et câbles d’alimentation aux batteries de véhicules électriques. Pourtant, découvrir de nouveaux polymères offrant le bon équilibre entre résistance, souplesse et comportement électrique reste lent et coûteux. Cet article présente POLYT5, un système d’intelligence artificielle qui apprend le « langage » des polymères afin de prédire leurs propriétés et d’imaginer de nouveaux candidats prometteurs, aidant ainsi les scientifiques à concevoir rapidement des matériaux pour l’électronique avancée et le stockage d’énergie.

Pourquoi il est difficile de trouver de nouveaux polymères

Concevoir un nouveau polymère revient à chercher une phrase utile dans une bibliothèque contenant toutes les combinaisons possibles de lettres. Les chimistes peuvent ajuster les éléments constitutifs et tester les résultats, mais le nombre de possibilités est astronomique. L’apprentissage automatique traditionnel a aidé en prédisant les propriétés de polymères connus, toutefois ces outils reposent souvent sur des descripteurs numériques conçus manuellement et exigent encore que des humains proposent quelles structures tester. Les modèles de langage généraux peuvent générer des molécules, mais il leur manque souvent le « bon sens » chimique nécessaire à une conception de matériaux fiable, produisant des formules qui semblent correctes sur le papier mais qui sont irréalistes ou non synthétisables en laboratoire.

Donner à l’IA un vocabulaire centré sur les polymères

POLYT5 relève ce défi en entraînant un modèle de langage spécifiquement sur des structures de polymères, plutôt que sur du texte générique. Les auteurs ont rassemblé un vaste ensemble d’entraînement : plus de 12 000 polymères réels issus de la littérature et plus de 100 millions de polymères hypothétiques créés à partir de réactions bien établies utilisées par les chimistes. Pour alimenter ces structures dans un modèle de langage, ils ont converti chaque polymère en une représentation en chaîne robuste garantissant des molécules chimiquement valides. Des jetons spéciaux marquent les extrémités de l’unité répétitive et encodent des informations simples sur les propriétés. En utilisant l’architecture T5 encodeur–décodeur, POLYT5 apprend à reconstruire des morceaux masqués de ces chaînes, internalisant progressivement les motifs récurrents — tels que les squelettes courants et les groupes fonctionnels — et la façon dont ils se rapportent au comportement des matériaux.

De la lecture des polymères à la prédiction de leur comportement

Après cet entraînement à grande échelle, POLYT5 est affiné pour des tâches pratiques. Un ensemble de modèles prédit des propriétés clés des polymères : température de transition vitreuse (où un plastique s’assouplit), températures de fusion et de décomposition, gap électronique, constante diélectrique (capacité de stockage d’énergie électrique) et solubilité dans différents solvants. Sur des milliers d’exemples, les prédictions du modèle correspondent de près aux valeurs connues, avec des erreurs comparables ou inférieures aux approches d’apprentissage automatique précédentes. Fait important, POLYT5 peut traiter de nombreuses propriétés différentes avec la même représentation sous-jacente, réduisant le besoin de caractéristiques personnalisées ou d’outils distincts pour chaque tâche.

Demander au modèle d’inventer de nouveaux matériaux

Le même cadre peut aussi fonctionner en sens inverse : au lieu de prédire des propriétés pour un polymère donné, POLYT5 peut générer des structures de polymères correspondant à une cible souhaitée. Les auteurs se concentrent sur la température de transition vitreuse, cruciale pour la stabilité mécanique et thermique des dispositifs. En donnant au modèle une valeur cible — par exemple 500 kelvins — ils lui demandent de produire des représentations en chaîne de polymères hypothétiques qui devraient s’assouplir autour de cette température. L’équipe a exploré comment les paramètres d’échantillonnage influencent l’équilibre entre variété et validité, générant finalement plus de six millions de candidats uniques et chimiquement sensés centrés sur la température choisie, tout en restant structurellement distincts des polymères connus.

Trouver quelques pépites parmi des millions

Pour démontrer un impact réel, les chercheurs orientent POLYT5 vers un objectif précis : des polymères destinés à des isolants électriques haute performance et à des dispositifs de stockage d’énergie. À partir des millions de candidats générés, ils appliquent un filtrage numérique en plusieurs étapes en utilisant les propres prédicteurs de propriétés de POLYT5. Les polymères doivent présenter une constante diélectrique relativement élevée, un large gap électronique pour éviter les claquages, une bonne stabilité thermique et des fenêtres de traitement pratiques. Ils doivent aussi se dissoudre dans des solvants courants et respectueux de l’environnement comme l’eau ou l’éthanol et sembler accessibles par synthèse selon des règles chimiques standards. Cet entonnoir réduit le champ à environ 18 000 options prometteuses. Parmi celles-ci, l’équipe sélectionne un candidat facile à synthétiser. Lorsqu’ils le fabriquent en laboratoire et mesurent ses propriétés, les résultats expérimentaux concordent bien avec les prédictions de POLYT5, restant dans les marges d’erreur attendues.

Rendre la conception avancée de polymères accessible

Au-delà du modèle central, les auteurs développent une interface IA « agentique » qui permet aux utilisateurs d’interagir avec POLYT5 via une conversation en langage naturel. Un modèle de langage général interprète des questions telles que « Prédisez la constante diélectrique de ce polymère » ou « Suggérez des polymères à haute température de fusion qui se dissolvent dans l’éthanol », puis les oriente vers les outils POLYT5 appropriés en coulisse. Cette configuration masque la complexité des formats de chaînes chimiques et du choix de modèles, rendant les puissantes capacités de conception de polymères accessibles aux spécialistes comme aux non-experts. En termes simples, POLYT5 montre que l’apprentissage par une IA de la lecture et de l’écriture du langage des plastiques peut accélérer considérablement la recherche de nouveaux matériaux haute performance, raccourcissant potentiellement le chemin de l’écran d’ordinateur aux dispositifs opérationnels.

Citation: Sahu, H., Xiong, W., Savit, A. et al. POLYT5: an encoder-decoder foundation chemical language model for generative polymer design. npj Artif. Intell. 2, 30 (2026). https://doi.org/10.1038/s44387-026-00087-1

Mots-clés: conception de polymères, modèle de langage chimique, découverte de matériaux, polymères diélectriques, IA générative