L’IA en chimie quantique a récemment fait un grand pas en avant, marquant un tournant décisif tant pour l’intelligence artificielle que pour la science des matériaux.
Une nouvelle recherche menée dans le cadre d’une collaboration entre l’Imperial College de Londres et Google DeepMind montre comment les réseaux neuronaux peuvent modéliser efficacement les états moléculaires excités.
Cette percée est non seulement prometteuse pour une compréhension plus approfondie des systèmes moléculaires complexes, mais ouvre également la voie à des progrès dans les technologies durables, telles que les cellules solaires et les photocatalyseurs.
Pourquoi utiliser l’IA en chimie quantique ?
L’étude, publiée dans la revue Sciencerelève le défi de la modélisation du comportement quantique des molécules dans les états excités. Un état excité se produit lorsqu’une molécule absorbe de l’énergie, souvent par le biais de la lumière ou de la chaleur, ce qui fait entrer ses électrons dans une configuration énergétique plus élevée.
Comprendre ces transitions est crucial pour diverses technologies, notamment les panneaux solaires, diodes électroluminescentes (DEL)et même des processus naturels comme la photosynthèse et la vision humaine.
Malgré leur importance, la modélisation précise des états excités constitue depuis longtemps un défi de taille en chimie quantique. La racine de cette difficulté réside dans la nature quantique des électrons, qui ne peut être identifiée avec précision. Leurs emplacements doivent plutôt être décrits de manière probabiliste.
Dr David Pfaule chercheur principal de Google DeepMind et l’Imperial College London, ont expliqué que pour représenter l’état d’un système quantique, il faut attribuer des probabilités à chaque configuration potentielle de positions électroniques.
Il a élaboré,
« Si vous essayiez de le représenter sous la forme d’une grille avec 100 points dans chaque dimension, alors le nombre de configurations électroniques possibles pour l’atome de silicium serait supérieur au nombre d’atomes dans l’univers. »
C’est dans cette complexité que brille l’application de l’IA en chimie quantique, notamment grâce à l’utilisation de réseaux neuronaux profonds.
Le rôle de FermiNet
Le réseau neuronal utilisé dans cette recherche révolutionnaire est connu sous le nom de FermiNet, abréviation de Fermionic Neural Network.
L’innovant le modèle a été parmi les premières applications d’apprentissage en profondeur pour calculer l’énergie des atomes et des molécules sur la base de principes fondamentaux, atteignant un niveau de précision pratique pour une utilisation dans le monde réel.
Les chercheurs ont développé un nouveau cadre mathématique combiné à ce modèle d’IAleur permettant d’aborder les équations fondamentales qui décrivent les états moléculaires d’une manière nouvelle.
La principale réussite de cette recherche a été la capacité de l’équipe à modéliser le dimère de carboneune molécule petite mais complexe, d’une précision remarquable. Ils ont obtenu une erreur absolue moyenne (MAE) de seulement 4 milliélectronvolts (meV), améliorant considérablement les méthodes précédentes qui avaient une erreur de référence de 20 meV.
Cette avancée signifie que les prédictions sont désormais beaucoup plus proches des résultats expérimentauxaméliorant la fiabilité des simulations impliquant des états excités.
De plus, les chercheurs ont étendu les capacités de leur réseau neuronal en le testant sur des scénarios informatiques difficiles dans lesquels deux électrons étaient excités simultanément. Le précision de leur modèle se situait à environ 0,1 électronvolt (eV) des calculs les plus complexes disponibles aujourd’hui.
Imaginer l’inimaginable
Les implications de cette recherche s’étendent bien au-delà de la curiosité universitaire. Pour les industries axées sur les solutions énergétiques durables et les technologies d’éclairage efficaces, la capacité de prédire avec précision les comportements moléculaires lorsqu’ils sont excités par la lumière peut conduire à des progrès significatifs. Des technologies telles que les cellules solaires et les photocatalyseurs, qui reposent en grande partie sur la compréhension des états moléculaires excités, peuvent bénéficier énormément de cette nouvelle approche.
En utilisant l’IA pour résoudre l’un des problèmes les plus complexes de la chimie physique, l’étude ouvre la voie à des simulations plus efficaces en science des matériaux et au-delà. Plutôt que de dépendre uniquement de méthodes expérimentales, souvent longues et coûteuses, les scientifiques ont désormais accès à un outil informatique plus précis qui rapproche les modèles théoriques des scénarios du monde réel.
L’intégration de techniques d’apprentissage profond en chimie grâce à l’IA en chimie quantique pourrait accélérer les découvertes et les progrès technologiques dans toute une série d’industries. À mesure que les recherches dans ce domaine se poursuivent, la combinaison de réseaux neuronaux et de cadres mathématiques avancés pourrait conduire à nouveaux paradigmes dans la compréhension des interactions moléculaires, bénéficiant en fin de compte à la société dans son ensemble.
Crédits images: Emre Cıtak/Idéogramme IA
